静态面板数据模型rev.doc

PAGE PAGE 22 静态面板数据模型及其运用 一、面板数据定义 面板数据，简言之是时间序列和截面数据的混合。面板数据的定义严格地讲是对一组个体（如居民、家庭、企业、行业、地区和国家等）连续观察多期得到的资料。所以很多时候我们也称其为“追踪资料”。 ——截面数据回归 ——时间序列数据回归 ——面板数据回归 面板数据包括三个方面的信息：截面成员，时间和变量。回归分析时使用三维数据比较困难，一般要转换为二维数据，可以按照截面堆积和时间堆积的方式进行转换。 近年来，由于面板数据资料的获得变得相对容易，使其应用范围也不断扩大。而关于面板数据的计量理论也几乎涉及到了以往截面分析和时间序列分析中所有可能出现的主题，如近年来发展出的面板向量自回归模型(Panel VAR)、面板单位根检验(Panel Unit Root test)、面板协整分析(Panel Cointegration)、门槛面板数据模型(Panel Threshold)等，都是在现有截面分析和时间序列分析中的热点主题的基础上发展起来的。 使用面板数据建模的优点： 第一，便于控制个体的异质性。面板数据表明个体、企业、地区或国家是存在异质性的，单纯的时间序列分析和横截面分析没有控制异质性，估计通常是有偏的。比如，我们在研究全国30个省份居民人均消费青岛啤酒的数量时，可以选取居民的收入、当地的啤酒价格、上一年的啤酒消费量等变量作为解释变量。但同时我们认为民族习惯、风俗文化、广告投放等因素也会显著地影响居民的啤酒消费量。对于特定的个体而言，前两种因素不会随时间的推移而有明显的的变化，通常称为个体效应。而广告的投放往往通过电视或广播，我们可以认为在不同的年份所有省份所接受的广告投放量是不同的，通常称为时间效应。这些因素往往因为难以获取数据或不易衡量而无法进入我们的模型，在截面或时间序列分析中往往会引起遗漏变量的问题。而面板数据模型的主要用途之一就在于处理这些不可观测的个体效应或时间效应。 第二，面板数据包含的信息量更大，降低了变量间共线性的可能性，增加了自由度和估计的有效性。时间序列数据常常会带来变量间的共线性，例如前面提到的啤酒需求，价格和收入的时间序列数据常常存在着多重共线性。但是在面板数据中，这种共线性就会小得多，因为横截面数据为价格和收入信息加入了许多变异性（异质性），从而使估计参数更有效。 第三，便于分析动态调整过程。例如，在测度失业时，横截面数据可以估计在某一时点有多少人失业，但不能很好地解释失业的持续性问题。然而，面板数据可以估计出在某一期失业人群中到下一期继续保持失业状态的人群比例。面板数据还可以很好地研究工作转换、劳动力流动、居民消费和收入变动等问题。 平衡面板数据：数据是完整的，每一个时期的观测个体相等。即每期的N相等，样本数为NT。 非平衡面板数据：每一时期的观测个体不再相等，有些个体消失，没有数据可供观测，即。例如，在20年中，有些厂商倒闭了。 二、静态面板数据模型的分类 我们一般所说的静态面板数据模型，是指解释变量中不包含被解释变量的滞后项（通常为一阶滞后项）的情形。但严格地讲，随机干扰项服从某种序列相关的模型，如AR(1)，AR(2)，MA(1)等，也不是静态模型。动态和静态模型在处理方法上往往有较大的差异。用静态面板数据建立的模型通常有三种，即混合模型、固定效应模型和随机效应模型。 1. 混合模型(Pooled Model) 如果一个面板数据模型定义为： ， （1） 其中为被回归变量（标量），为截距项，为阶回归变量列向量（包括个回归量），为阶回归系数列向量，为误差项（标量）。则称此模型为混合模型。混合模型的特点是无论对任何个体和截面，回归系数和都相同。如果模型是正确设定的，则解释变量与误差项不相关，即。那么无论是，还是，模型参数的混合最小二乘估计量都是一致估计量。 一个研究企业投资需求的例子。样本为包括五个企业和三个变量的22个年度（1935-1954）的面板数据。 混合回归模型设定为：。 其中，I为总投资，M为企业前一年的市场价值（反映企业的预期利润），K为前一年末工厂存货和设备的价值（反映必要重置投资期望值）。 EViwes估计方法：在打开工作文件窗口的基础上，点击主功能菜单中的Objects键，选New Object功能，从而打开New Object选择窗。在Type of Object选择区选择Pool（混合数据库），点击OK键，从而打开Pool（混合数据）窗口。在窗口中输入20个行业标识。工具栏中点击Sheet键，从而打开Series List（列写序列名）窗口，定义变量I? M? K? 点击OK键，Pool（混合或合并数据库）窗口显示面板数据。在Pool窗口的工具栏中点击Estimate