平行数据地解析.ppt

平行数据的分析 一、平行数据 二、固定影响模型 三、随机影响模型 四、似不相关回归模型 那么我们就估计出了我们所想要的模型，即 这就是用固定影响模型的方法估计出来的面板数据模型。同样，在不同的假设条件下，我们可以用随机影响模型的方法来估计面板数据的模型 就是说投资函数的参数关于不同的公司是不同的，但关于时间却是不变的。这个假设意味着模型将变成： 我们使用数据来说明SUR模型这些数据包括通用电器（GE）和威斯汀豪（WH）两家公司20个关于投资，股票市场价值和资本存量的时间序列数据。我们所用的下标含义为：I=G和 W，以及t=1,2,…,20。这两个公司的投资函数我们考虑为： 或者 这里我们主要考虑上述函数形式 由于假设精确地保证了未知数的最小二乘估计是最佳线性无偏计量，因此我们可以把最小二乘法分别应用于每个方程，并确信所得到的估计量是合理有效的。运用这样的步骤和方法，就解决了当给顶了有关通用电器的信息后，什么是通用电器方程的最佳估计量和当给顶了有关威斯汀豪方程的最佳估计量 实际上，我们可以利用有关通用电器的信息得到比单独利用威斯汀豪的信息估计威斯汀豪方程更好的估计量，反过来也一样。关于利用一个方程的信息如何去改善对另一个方程的估计的问题，需要建立这两个方程之间的一些联系。让我们来研究这方面的一些可能的联系 一个很自然的问题就是：如果应用最小二乘法，并运用所有40个观测会发生什么？两次应用最小二乘法，一次对威斯汀豪用20个观测。另一次对通用电器20个观测，估计会有怎样的不同？ 回答是产生的β参数的估计完全相同，因为新模型用完全相同的方式处理所有的参数。然而，来自于两个过程的标准误差将是不同的。 如果我们用最小二乘法估计合并虚拟变量模型，必然会假设对所有40个观测误差项 的方差是常数，当分别估计通用电器和威斯汀豪时，我们将认定前者20个 值的方差为 ，而后20个 值的方差为 。从而，对每个方程我们就得到不同的方差估计。 如果我们确认存在异方差性 ，并对合并的虚拟变量运用广义最小二乘法，这种情况下将会发生什么？ 这个假设就是说在两个方程中的误差项在同一时点上是相关的。这类相关通常被称为同期相关，为了理解 和 为什么会相关，我们进一步观察这些误差项，会发现它们所包含的影响投资的一些因子可能已经从方程中省略掉了。这些因子可能包含机器设备的利用，当前和过去的利率，流动性以及经济的一般状态。 由于这两个公司在许多方面是相似的，所以很可能省略的影响通用电器设备投资的因子产生的作用与省略的影响威斯汀豪投资的因子产生的左右相近。如果是这样的话，那么 和 由于具有相似的作用而产生相关性。所以，增加同期相关性的假设具有引入额外信息的作用，而当我们对两个方程分别实施最小二乘估计的时候，这些信息并没有包括在内。 * 一、平行数据 将截面数据和时间序列结合在一起的数据称为平行数据(Panel Data)。 截面数据是指在某一时间段内所收集的关于某地（研究范围）许多不同个体（样本）各方面特征（应变量和自变量）信息的数据。例如，我们的数据 有N个样本，K+1个变量，即 . . . … … . . . … . . . . . . . . . 1 2 . . . N 自变量K … 自变量2 自变量1 应变量 个体 时间序列数据是指所收集的关于某一个体（研究范围）在不同时间（样本）各方面特征变化（应变量和自变量）信息的数据。例如，我们的数据 有T个样本（时间），K+1个变量，即 . . . … … . . . … . . . . . . . . . 1 2 . . . T 自变量K … 自变量2 自变量1 因变量 时间 如果我们将这两种数据合并到一起，就有： … … … … … … … . . … … … . … . … … . … … … … … … … … … … … … … … … … 1 2 … … N 1 2 … N … 1 2 … N 1 1 … … 1 2 2 … 2 … T T … T 自变量K …