面板数据回归(Panel-Data).pptVIP

Wooldridge (2002)检验统计量BPW ? 在原假设成立下，vit序列不相关，BPW的渐进分 布是标准正态分布 ? 该统计量能够探察vit中的许多种序列相关 ? 但是拒绝原假设并不意味着RE的误差结构就是正 确的 – 如果xit中没有包括滞后的被解释变量，vit即使满足Random Effect的误差结构，原假设仍然会被拒绝 固定效应模型 Fixed-Effect Panel Model 固定效应模型的基本假设 ? 与RE模型最大的不同在于,FE模型假设ci可以与uit相关，即对ci⊥uit是否成立不做假定。由于少了RE中的独立性假定,FE比RE的结果更加稳健。 ? X中不能包含不随时间改变的变量 – 解释变量如果包含不随时间变化的变量，我们无法识别这些变量对的影响 – 不随时间变化的变量指的是对所有的样本单位都不随时间而变化。如果该变量对部分样本单位随时间变化，就可以包含进来。 固定效应转换估计 ? 固定效应模型的估计策略是转换方程消去不可观测的效应ci ? 我们可以采用一阶差分的方法，也可以采用固定效应转换 (fixed effects transformation) ? 固定效应转换也叫做组内转换 (within transformation) β的固定效应估计量 ? β FE是对组内模型进行的POLS估计，所以也 称为组内估计量 ＾ ? 在固定效应模型假设下， 是无偏且一致的 – FE.1严格外生性假设中中假定E(uit|xi,ci)=0 – 可以推出 ? 但是如果在随机效应模型假设下， 仅仅用 了组内的信息，因此它不是有效估计量 ? 在固定效应模型假设下， 是无偏且一致的 – FE.1严格外生性假设中中假定E(uit|xi,ci)=0 – 可以推出 ? 但是如果在随机效应模型假设下， 仅仅用 了组内的信息，因此它不是有效估计量 虚拟变量回归(LSDV) ? 虚拟变量回归是传统的固定效应估计方法 ? 把ci看成参数，和β一起进行估计 ? 对此，可以采用最小二乘虚拟变量回归 ? 定义 有 yit = xit β + di c + uit 估计结果 ? 可以证明： ? 最小二乘虚拟变量回归得到的的估计量和 固定效应估计量是一样的 Wooldridge (2002)认为这里 βLSDV和 βFE 相等 仅仅是一种巧合 ? 很多情况下，尤其在非线性面板数据模型 中，把c看成参数和β 一起进行估计得到的 估计量是不一致的 ＾ ＾ 非主要参数问题 ? 当截面观测增加时，ci的个数也增加了 ? 当n趋于无穷大，ci并没有截面信息的积累，而时间长度T是固定的，随着截面长度 n趋于无穷大，非主要参数ci的个数也趋于无穷大 ? 加上非线性模型的复杂性很难先行消去ci ，参数的估计也被污染（contaminated），从而在一般情况下也无法得到一致估计量 虚拟变量回归估计量性质 ? β FE是β 的一个无偏估计量，当T固定而n趋 于无穷时，β FE 是β 的一个一致估计量；而 c?i 仅仅是ci 的无偏估计量，在T固定时 ci 不是 一致估计量 ? 计量软件一般不汇报固定效应ci的估计值， 不过经常会汇报整体截距项的值μ ＾ ＾ ＾ 随机效应和固定效应估计量的比较 ? 可以证明： – RE估计量是组间回归估计量和FE估计量的加权平均 ? FE模型对ci与xi的关系不作假定，因此比RE更Robust，其代价是： – FE中由于包含了一个均值 x ，自由度自动减少 了一个，并且β 的精度降低； – 解释变量过多，易引起多重共线性(LSDV)； – FE观察不出不随时间改变的变量的影响 FE ＾ 随机效应和固定效应估计量的比较 或 E(ci | Xi ) = E(ci ) = 0 Cov(ci , xit ) = 0 RE还是FE：Hausman检验 ? 仅仅从估计量的性质来说，我们可能认为，随机效应估计量要好于固定效应 ? 在对两个估计量进行比较时，我们发现当个体效应方差非常大的情况或T非常大时，FE估计量是RE估计量的一个极限 ? 但是，随机效应模型有一个非常强的假设： ? FE是无论原假设成立与否都是一致的，但 在原假设下不是有效的 ? RE在原假设下是一致的，并且渐进有效 （样本越大越有效），但如果原假设被拒 绝，则RE不是一致的 ? 不论在原假设还是备择假设下，我们都保 持严格外生假设。如果严格外生假设被违 反，则固定效应和随机效应估计量都是不 一致的 RE还是FE：应用考虑 ? 数据 – 当数据为省份、国家、单位资料时，即为非随 机抽取的资料时用FE较合适；为随机抽取的资 料时,用RE较合适 ? 研究问题：政策分析 – 政策变量通常会与观察