基于Panel Data模型我国城镇居民收支研究.docVIP

基于Panel Data模型的我国城镇居民收支研究 　　[摘 要] 本文以面板数据模型为基础，利用1999年～2004年我国城镇居民收入与消费数据，分析我国城镇居民的收入消费关系和近年来我国城镇居民收入消费的变化情况。 　　[关键词] Panel Data Panel Data模型 城镇居民收支 　　 　　一、Panel Data简介 　　 　　1.Panel Data 的含义 　　Panel Data（或者Longitudinal Data）可译成“面板数据”、“纵向数据”，是用来描述一个总体中给定样本在一段时间的情况，并对样本中每一个样本单位都进行多重观察。这种多重观察既包括对样本单位在某一时期（时点）上多个特性进行观察，也包括对该样本单位的这些特性在一段时间的连续观察，连续观察将得到数据集称为面板数据。Panel Data 研究成为近十年来经济计量学的一个热点。大量关于Panel Data的分析方法、研究文章如雨后春笋般出现在经济学、管理学、社会学、心理学等众多领域。 　　2.Panel Data的作用 　　(1)控制个体行为差异。Panel Data数据库显示个体（包括个人、企业、地区或国家）之间存在差异，而单独的时间序列和横截面不能有效反映这种差异。如果只是简单使用时间序列或横截面分析就可能获得有偏结果。此外，Panel Data分析能够控制在时间序列和横截面研究中不能控制的涉及地区和时间为常数的情况。也就是说，当个体在时间或地区分布中存在着常数的变量（例如受教育程度、电视广告等）时，如果在模型中不考虑这些变量，有可能会得到有偏结果。Panel Data分析能够控制时间或地区分布中的恒变量，而普通时间序列和横截面研究中则不能。 　　(2)Panel Data能够提供更多信息、更多变化性、更少共线性、更多自由度和更高效率。反观时间序列经常受多重共线性的困扰。 　　(3)Panel Data能够更好地研究动态调节，横截面分布看上去相对稳定但却隐藏了许多变化，Panel Data由于包含较长时间，能够弄清诸如经济政策变化对失业状况的影响等问题。 　　(4)Panel Data能更好地识别和度量纯时间序列和纯横截面数据所不能发现的影响因素。 　　(5)相对于纯横截面和纯时间序列数据而言，Panel Data能够构造和检验更复杂的行为模型。 　　(6)通常，Panel Data可以收集到更准确的微观单位（个人、企业、家庭）的情况。由此得到的总体数据可以消去测量误差的影响。 　　 　　二、研究方法描述及变量选取 　　 　　1.研究方法及模型设计 　　面板数据是对不同时期的横截面个体做连续观测所得到的二维时间序列数据，即时间序列与横截面数据相结合的数据。模型的一般形式为: 　　 　　模型(1)可表达为，即截距系数αi和斜率系数βi随着个体的不同而改变，称为“变系数模型”。 　　模型(2)，即斜率系数β为常数，而截距系数αi随着个体的不同而改变，称为“变截距模型”。 　　模型(3)可表达为，即对α和;β都不产生影响，相当于将所有时期的横截面数据融合成一个总体，称为“混合回归模型”。 　　面板数据模型最早是由Cheng Hsiao(1986)提出，并将该类模型应用于经济分析。平行数据模型相对于纯横截面数据模型和纯时间序列模型的优点在于：样本容量大大增加，使参数估计值更加可靠；可深入到“省市”层次、“地市”层次、“收入差距”层次研究消费，有利于对比分析，从而体现地区差异和收入差距；能够识别一些纯横截面数据模型和纯时间序列模型所不能识别的因素；提高了模型参数估计精度，同时大大降低了多重共线性的影响。 　　在满足古典回归模型假设的情况下，利用普通最小二乘法对平行数据模型进行可以得到无偏一致估计。建立平行数据模型时首先运用协方差分析方法来识别模型，可以假设成立的情况下： 　　 　　其中、S1，S2、S3 分别是“变系数模型”、“变截距模型”和“混合回归模型”的残差平方和。在零假设H2和H1下，F1和F2服从特定自由度的F分布。若F1临界值，则接受H2，表明运用“混合回归模型”估计样本，否则再运用F1统计量检验H1。若Fi则运用“变截距模型”估计样本，否则运用“变系数模型”估计样本。 　　通常可以从以下两个方面运用平行数据模型进行居民消费结构变动的影响分析:(1)收入差异对居民消费结构变动的影响分析，可以利用各年按收入分组的抽样调查资料建立平行数据模型。对应的“变系数模型”表示各收入层次边际消费倾向和消费水平存在层次差异；“变截距模型”表示各收入层次边际消费倾向无显著差异，而消费水平存在层次差异；而“混合回归模型”表示消费水平和边际消费倾向都不存在差异。(2)地区差异对居民消费结构变动的