面板数据(精品·公开课件).ppt

常用面板数据模型介绍 固定效应模型 随机效应模型 面板数据模型选择 面板数据模型一般根据对不随个体或时间变化的非观测效应的不同假设，可分固定效应模型和随机效应模型。 非观测效应究竟应假设为固定效应还是随机效应，关键看这部分非观测效应对应的因素是否与模型中控制的可观测到的解释变量相关。 如果这个效应与可观测的解释变量相关，则这个效应被称为固定效应，应建立固定效应模型；反之，则被称为随机效应，建立随机效应模型。 固定效应模型（fixed effects model） 个体固定效应模型 时点固定效应模型 个体时点双固定效应模型 个体固定效应模型（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； 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， yit为被回归变量， ?it为误差项， 则称此模型为个体固定效应模型。 个体固定效应模型的强假定条件是 E（?it | ?i ，Xit ）=0 ， i = 1, 2, …, N ?i作为随机变量描述不同个体建立的模型间的差异。因为?i是不可观 测的，且与可观测的解释变量的变化相联系，所以称为个体固定效应模 型。 注意： 在E Views输出结果中?i是一个以不变的常数部分和随个体变化的部分相加而成的。 在E Views5.0以上版本因子选项中个体固定效应对话框中的回归填不填c，输出结果都会有固定常数项。 个体固定效应模型中的估计方法有多种，但首先设法除去?i的影响，从而保证β估计量的一致性。 解释设定个体固定效应模型的原因。假定有面板数据模型 yit = ?0+ Xit ?1+ ?2zi+?it i = 1, 2, …, N; t = 1, 2, …, T 其中?0为常数，不随时间、截面变化；每个个体回归函数的斜率?1相 同；zi表示随个体变化，但不随时间变化的难以观测的变量。上述模型 可以被解释为含有N个截距，即每个个体都对应一个不同的截距的模 型。 令?i= ?0 + ?2zi ，于是变为 yit = ?i+ ?0 + Xit ?1 + ?it i = 1, 2, …, N; t = 1, 2, …, T 以家庭消费性支出与可支配收入关系为例，省家庭平均人口数就是这 样的一个变量，即对于短期面板，这是一个基本不随时间变化的量，但 是对于不同的省份，这个变量的值是不同的。 因为 zi 是不随时间变化的量，所以当对个体固定效应模型中的变量进 行差分时，可以剔除那些随个体变化，但不随时间变化的 zi 影响。 时点固定效应模型（time fixed effects model） 如果一个面板数据模型定义为： yit = rt + Xit ? +?it, i = 1, 2, …, N; t = 1, 2, …, T 其中rt为回归模型截距，是随机变量，表示对于T 个时点有T个不同的截距项，且其变化与Xit有关系； 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，对于不同截面回归系数相同； yit为被回归变量， ?it为误差项，且满足通常的假定条件( 即E（?it | rt ，Xit ）=0 ， t = 1, 2, …, T )， 则称此模型为时点固定效应模型。 设定时点固定效应模型的原因。假定有面板模型 yit = r0+ Xit ?1+ r2zt+?it , i = 1, 2, …, N; t = 1, 2, …, T 其中r0为常数，不随时间、截面变化；对于T个截面有T个不同的截 距项，zt表示随时点变化，但不随个体变化的难以观测的变量。 令rt= r0+ r2zt ，上式变为 yit = rt + Xit ?1+?it i = 1, 2, …, N; t = 1, 2, …, T 这正是时点固定效应模型形式。对于每个截面，回归函数的斜率相 同（都是?1 ）， rt却因时点不同而不同。可见时点固定效应模型中的截距项rt包括了那些随不同时点变化，但不随个体变化的难以观测的效应的影响。 rt是一个随机变量。 以家庭消费性支出与可支配收入关系为例，“全国零售物指数“就是这样的一个变量。对于不同时点，这是