第五章面板数据模型汇.docVIP

Chaper5 面板数据模型 §1。基本概念介绍 在联立方程模型中，我们已接触到面板数据模型，它只是作为一种特殊的联立式来讨论的。不同时间和不同个体仅是一种混合的普通样本，采用POLS方法处理。面板数据中不同时间段和不同个体的二元特征没有考虑。而这些特征往往包含有明确的经济信息。本章以存在不可观测效应（Unobserved effect）的现代观点重新阐释面板数据模型。 不可观测效应的含义是，从不同时间抽取的样本数据中，存在一个相对时间不变的不可观测的因素，称为异质性。例如，样本个体选择家庭，认知能力、动机、遗传等；样本个体选择企业，管理水平，创新能力等。可以认为它们是相对时间不变的且不可观测。如何处理这些对结果产生影响的潜在因素？除了前述的代理变量和多指标工具变量法外，合理应用面板数据的特征就是本章讨论的问题。此外，面板数据作为截面数据和时间序列数据的混合，能反映模型的动态结构，故也可作为动态分析的内容加以讨论。深入的分析面板数据是学习时间序列分析之后，本章只是一个初步。面板数据有广泛的来源，有大量的应用背景，并针对不同的问题设计有各种不同的模型。合理运用面板数据和模型，能给我们带来更多有意义的统计分析结果。本章也是伍书认为下了功夫的部分。请看例： 例1：职业培训的评价 欲评价培训的效果，（或实施某一政策的效果，等等。）一个标准的评价模型是： 这里特设为二期，。表示随时间变化的截距项，是可观察的影响因素的随机变量，是被关注的虚拟变量，表示参加第二期培训为1否则为0；为个人是否选择接受培训的选择，它是不可观测的，是一个与个人内在因素相关的且与无关的潜在因素。又为了消除政策因素外其它因素的影响，在时间段2中将分成处理组A和控制组B两部分。在无人处在处理组，在，部分人处在控制组部分人处在处理组。并再设置一个虚拟变量，表示如为1，否则为0。模型成为： ， 则参数就反映了政策因素对的贡献。假设检验：＝0。拒绝说明培训效果有显著性。 例2：R＆D的分布滞后模型 欲评价过去投入产生的效果，采用时间序列的滞后模型： 这里是厂商在期用于R＆D的投入，滞后表示过去的投入对现在的影响。是专利收入，是企业不可观测的内在与时间无关的因素。则反映的就是技术研究投入对企业的贡献。这里问题的关键是的存在导致是内生的。 例3: 时间序列自回归模型 仅利用自身的数据进行评价，采用自回归的模型： 这里模型尽管简单，但由于时间的关联性，导致滞后有明显的内生性。 问题，如何估计与检验？ 回忆联立方程模型中的有关PD模型的假设条件：，。 假定：Pols1: ，; Pols2: 秩，； Pols3: ， ； ，。 注：Pols1并没有要求与不相关，；Pols2仅仅是排除所有，的完全共线性，保证可识别。Pols3类似同方差假定，不成立不影响一致性，只是为检验提供了方便。 于是，一致的Pols估计＝，在假定Pols3下有，所以渐近估计为，，又当（1×K）向量有某些解释变量同相关，令（1×L向量，）是工具变量，且满足工具变量的假定条件，那么P2SLS估计为： 1） on ，得，； 2） on，得P2sls估计为： 。 并可得相应残差形式的统计量：。与单方程的完全相同，只是增加了不同时间下的样本容量。 我们在上述PD模型的基础上，扩展各种特色的PD模型和估计检验方法。当然这是建立在某些更强的数据信息假定基础上的。 不可观测效应模型的严格外生性假定 设不可观测效应模型（UEM）为：，。这里，作为不可观测的与时间无关的个体特质的潜在变量（latent variable）也称为不可观测的差异性（unobserved heterogenity）。它是面板数据模型的基本特色。 由于不可观测，传统观点有两种理解，一种是将，合并称为随机效果，另一种是视为与有关的未知常数，称为固定效果。但按现代观点，关键要看与解释变量是否相关。若认为与不相关，则作为随机效果处理，将与合并＝＋；若认为与相关，则作为固定效果处理。 面板数据现代观点的另一个重要特点是，时间不是给定的，即可观测的可按时间无限抽样。从而存在未来原因对当前结果的反馈（feedback），导致与之间复杂相关关系，为消除这种复杂性，引入严格外生性假定： 对，有＝＝。 含义是，一旦当前和给定，那么对，对没有边际影响（直观理解是，仅与当前的相关，而与其它的时间无关）。由于不可观测，一个更加严格的外生性假定是：＝＝。 ＝＋， 如果，即与某一 相关，则更严格的外生假定就不成立。 UEM模型的严格外生假定，实际应用中常用误差项表述成： （1）＝0，。于是有（2）＝0，。 注：（1）意味着和 与都是不相关的，而（2）则没