第9章 面板数据模型理论.docVIP

5.2 面板数据模型理论 5.2.1 面板数据模型及类型。 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 面板数据用双下标变量表示。例如： , ; 其中，N表示面板数据中含有的个体数。T表示时间序列的时期数。若固定t不变， 是横截面上的N个随机变量；若固定i不变，,是纵剖面上的一个时间序列。对于面板数据来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。 面板数据模型是建立在面板数据之上、用于分析变量之间相互关系的计量经济模型。面板数据模型的解析表达式为： 其中，为被解释变量；表示截距项，为维解释变量向量；为维参数向量；表示不同的个体；表示不同的时间；为随机扰动项，满足经典计量经济模型的基本假设。 面板数据模型通常分为三类。即混合模型、固定效应模型和随机效应模型。 ⑴ 混合模型。 如果一个面板数据模型定义为： 则称此模型为混合模型。混合模型的特点是无论对任何个体和截面，回归系数和都是相同的 ⑵ 固定效应模型。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model）、时间固定效应模型（time fixed effects regression model）和时间个体固定效应模型（time and entity fixed effects regression model）。 ① 个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么模型就称为个体固定效应模型立，表示如下， 式中，yit为被解释变量, 为维解释变量向量，是随机变量，表示对于个个体有个不同的截距项，且其变化与有关；为维回归系数向量，对不同的个体回归系数相同，为随机误差项，则称此模型为个体固定效应模型。 个体固定效应模型也可以表示为 yit = (1 D1 + (2 D2 + … +(N DN +( xit + t = 1, 2, …, T 其中 ② 时间固定效应模型。 如果一个面板数据模型定义为： 式中，是随机变量，表示对于个截面有个不同的截距项，且其变化与有关；对不同的个体回归系数相同，为随机误差项，则称此模型为时间固定效应模型。时间固定效应模型就是对于不同的截面（时刻点）有不同截距的模型。如果确知对于不同的截面，模型的截距显著不同，但是对于不同的时间序列（个体）截距是相同的，那么应该建立时刻固定效应模型。时间固定效应模型也可以表示如下 yit = (1 D1 + (2 D2 + … +(T DT +(1 xit +(it, i = 1, 2, …, N 其中 ③ 个体时间固定效应模型。 如果一个面板数据模型定义为 式中，是随机变量，表示对于个个体有个不同的截距项，且其变化与有关；是随机变量,表示对于个截面有个不同的截距项，且其变化与有关；对不同的个体回归系数相同，为随机误差项，则称此模型为个体时间固定效应模型。 ⑶ 随机效应模型 对于面板数据模型 如果yit为被解释变量,为维解释变量向量，为维回归系数向量，对不同的个体回归系数相同，是随机变量，其分布与无关；为随机误差项，则称此模型为个体随机效应模型。 同理也可以定义时间随机效应模型和个体时间随机效用模型。 5.2.2 面板数据模型估计方法 面板数据模型中的估计量既不同于截面数据估计量，也不同于时间序列估计量，其性质随模型类型的设定是否正确，是否采用了相应正确的估计方法而变化。面板数据模型中的解释变量可以是时变的，也可以是非时变的。 ⑴ 混合最小二乘估计 混合最小二乘估计方法是在时间上和截面上把个观测值混合在一起，然后用最小二乘法估计模型参数。给定混合模型 ， 如果模型是正确设定的，且解释变量