当代计量经济的研究领域教材教学课件.pptVIP

混合回归模型（Pooled model） 如果一个面板数据模型定义为， yit = ? + Xit ? +?it, i = 1, 2, …, N; t = 1, 2, …, T 其中yit为被回归变量（标量），?表示截距项，Xit为k ?1阶回归变量列向量（包括k个回归量），?为k ?1阶回归系数列向量，?it为误差项（标量）。则称此模型为混合回归模型。混合回归模型的特点是无论对任何个体和截面，回归系数?和?都相同。 个体固定效应回归模型（entity fixed effects model） 如果一个面板数据模型定义为， yit = ?i + Xit ? +?it, i = 1, 2, …, N; t = 1, 2, …, T 其中?i是随机变量，表示对于i个个体有i个不同的截距项，且其变化与Xit有关系；yit为被回归变量（标量），?it为误差项（标量），Xit为k ?1阶回归变量列向量（包括k个回归量），?为k ?1阶回归系数列向量，对于不同个体回归系数相同，则称此模型为个体固定效应回归模型。 时点固定效应回归模型（time fixed effects model） 如果一个面板数据模型定义为， yit = ?t + Xit ? +?it, i = 1, 2, …, N 其中?t是模型截距项，随机变量，表示对于T个截面有T个不同的截距项，且其变化与Xit有关系；yit为被回归变量（标量），?it为误差项（标量），满足通常假定条件。Xit为k ?1阶回归变量列向量（包括k个回归变量），?为k ?1阶回归系数列向量，则称此模型为时点固定效应回归模型。 个体随机效应回归模型（entity random effects model） 对于面板数据模型 yit = ?i + Xit? +?it, i = 1, 2, …, N; t = 1, 2, …, T 如果?i为随机变量，其分布与Xit无关；yit为被回归变量（标量），?it为误差项（标量），Xit为k ?1阶回归变量列向量（包括k个回归量），?为k ?1阶回归系数列向量，对于不同个体回归系数相同，这种模型称为个体随机效应回归模型（随机截距模型、随机分量模型）。 面板数据模型估计方法 混合最小二乘（Pooled OLS）估计（适用于混合模型） 平均（between）OLS估计（适用于混合模型和个体随机效应模型） 离差（within）OLS估计（适用于个体固定效应回归模型） 一阶差分（first difference）OLS估计（适用于个体固定效应模型） 可行GLS（feasible GLS）估计（适用于随机效应模型） 面板数据模型的检验方法 F 检验 H0：?i =?。模型中不同个体的截距相同 （真实模型为混合回归模型）。 H1：模型中不同个体的截距项?i不同 （真实模型为个体固定效应回归模型）。 F 统计量定义为： F = ? F( m , T – k ) F 临界值，推翻原假设，F 临界值，接受原假设。 Hausman检验 H0: 个体随机效应回归模型（个体效应与回归变量无关） H1: 个体固定效应回归模型（个体效应与回归变量相关） H 临界值，建立个体固定效应；H 临界值，建立个体随机效应回归模型。 面板数据模型的检验方法 案例 美国公路交通事故死亡人数与啤酒税的关系研究 美国每年有4万高速公路交通事故，约1/3涉及酒后驾车。这个比率在饮酒高峰期会上升。早晨1?3点25%的司机饮酒。饮酒司机出交通事故数是不饮酒司机的13倍。现有1982?1988年48个州共336组美国公路交通事故死亡人数（number）与啤酒税（beertax）的数据。 1982年数据的估计结果 图1 1982年数据散点图 图2 1988年数据散点图 1988年数据的估计结果 1982?1988年混合数据估计结果 1982?1988 = 1.85 + 0.36 beertax 1982?1988 (42.5) (5.9) SSE=98.75 显然以上三种估计结果