初计量经济学之面板数据模型.pptVIP

这里没有截距虚拟变量，这使得它的自由度要大于固定影响模型。应注意的是，上式中截距项 与OLS回归中的截距项不同，这里 代表的是截距的均值，真实的截距随产业或其它横截面个体而变，产业间截距的差异反映在扰动项 中。 令 , 扰动项 有两个分量，其中一个 满足OLS关于扰动项的假设条件，另一个分量 代表每个产业的截距与截距均值 之间的差异，这个分量不随时间而变，但对于每个产业都不同。由于扰动项的这个分量不随时间而变，因此随机影响模型中的扰动项 将不满足OLS关于各期扰动项互不相关的假设条件，这意味着OLS不能使用。 很多计量经济软件让你能够方便地运行随机影响模 型，步骤如下： 对整个横截面时间序列混合样本执行OLS回归； 用第一步得到的残差估计扰动项的方差和协方差； 用第二步得到的方差协方差估计值执行GLS回归，给出随机影响模型的GLS估计值； 某些软件使用第三步的结果，估计每个横截面个体的截距与截距均值的差异。 将随机影响方法应用于我们的产业模型，回归模型为： 此式看上去像是（9.5）式中OLS回归，所有产业的截距都相同。可是，这里各产业都有自己的截距，截距的均值和真值间的差异包含在扰动项 中。正如上面所说，这意味着扰动项u不满足OLS假设。按前述四步回归，结果如下： 将随机影响和固定影响的结果比较一下，发现两组自变量系数的估计值差别很小，并且都在1％显著性水平显著，说明在本例的情况下，使用两种方法均可。但在其他情况下，就可能有较大差别。 有些计量经济程序还给出让你能够求出每个产业截距的信息。本例中每个·产业截距与常数项（均值）的差异如下： 产业1: 5178.14 产业2： 4748.35 产业3: －3361.66 产业4：－6564.83 由此可知，钢铁产业截距与 之差为5178.14。这表明，钢铁产业截距的估计值为 －22,831.07+5178.14 = －17,652.93 第九章 面板数据模型 第一节 面板数据和面板数据模型 混合数据（pooled data）是将横截面数据和时间序列数据结合在一起的数据。 我们在第一章中曾介绍，横截面数据模型使用同一时点不同个体（entity）的观测值，数据可来自不同地区、公司、人员或其它个体；时间序列数据则是跨越不同时期的同一地区、同一公司、同一个人或其它同一个体的数据。 横截面时间序列混合数据则包含不同横截面个体不同时期的数据，或者说，混合数据包含既跨越时间又跨越空间的数据。 如果混合数据包含的观测值来自同一批地区、公司、人员或其它横截面个体的不同时期数据，则此类混合数据称为面板数据（panel data）。 面板数据通常比非面板混合数据更有用，这是因为面板数据中的地区、公司、人员等横截面个体在各时期中一直保持不变，这使得我们更易于对随着时间的推移所发生的变动进行比较。 我们将基于面板数据的回归模型称为面板数据模型（panel data model）。面板数据模型正在得到日益广泛的应用，文献也很多。限于篇幅，我们在这里只能做一个入门性的介绍。需要深入研究的读者，请参阅有关参考文献。 Baltagi, B. H.(2005),Econometric Analysis of Panel data, Third Edition,John Wiley Sons,Ltd Hsiao C. (2003), Analysis of Panel Data, 2nd Edition, Cambridge University Press 影印版由北京大学出版社出版，2005 本章中，我们将用一个贯穿始终的例子来说明估计面板数据模型的各种方法。我们的数据来自以下4个产业： 产业1：钢铁； 产业2：橡胶、塑料； 产业3：石制品、陶瓷制品和玻璃制品； 产业4：纺织 模型中用到的变量是： Yit = i产业第t年出口额，单位：百万美元，不变价 EMPit = i产业第t年就业人数，单位：千人 OTMit = i产业第t年平均每周加班小时数 我们收集了上述4个产业这3个变量1980－2000各年的数据。事实上，对于这3个变量中的每一个，都有84个观测值（4个产业乘以21年）。由于在每个时期（每一年）都是这4个产业，因此这些混合数据是面板数据，如表9－1所