第11章 板数据模型.ppt

Hausman检验结果 检验结果的P值为0.6366，不显著，所以我们最后选择随机效应模型。 * P值在10%以下，选择固定效应 * 固定效应模型估计说明 固定效应模型中个体效应和随机干扰项的方差估计值分别为sigma_u 和sigma_e，二者之间的相关关系为rho。 最后一行给出了检验固定效应u_i是否显著的F统计量和相应的P值（联合显著性检验，原假设：所有u_i都等于0），本例中固定效应非常显著。 六、动态面板数据模型 很多经济关系本质上具有动态性，面板数据的优势之一就是它有助于更好地理解动态调整过程。 如Acemoglu等(2005)关于民主与教育之间动态关系的研究中(From Education to Democracy？)，就用到了动态面板数据模型。论文旨在反驳Lipset(1959)的现代化理论，后者认为，教育多半可以开阔人的视野，使他能理解宽容准则的必要性，阻止他皈依极端主义学说，提高他在选举时作出合理选择的能力，也就是说，教育能够促进民主。作者用1965-2000年5年间隔的面板数据回归发现，教育对民主没有显著的效应。 * * 动态面板数据模型的一般形式 动态面板数据模型的一般形式： 在(1)式中，ui为非观测截面个体效应。 模型中含有滞后被解释变量，给估计带来难题。由于yit是ui的函数，显然yi,t-1也是ui的函数，因此(1)式右侧的回归解释变量yi,t-1就与误差项(ui+εit)相关。 此时，采用混合OLS，估计量是有偏且不一致。 采取固定效应(FE)，组内变换后，仍无法解决内生性问题，结果同样是有偏且不一致。 采取随机效应(RE)，结果也一样。 (1) * 1、差分GMM(DIF-GMM) Arellano和Bond(1991)提出了DIF-GMM估计方法，通过对(1)式进行差分，消除未观测到的截面个体效应ui。 由(1)式知，yit-1是εit-1的函数，因此(2)式中的 与 是相关的。在估计(2)式时，就需引入 的工具变量。 (2) * DIF-GMM估计中的工具变量 从第3期开始，需要为Δyit-1设定工具变量。在DIF-GMM估计中，Δyit-1的工具变量是这样设定的： 在第3期，yi1是Δyi2的工具变量，因为它与(yi2 -yi1)高度相关，而与(εi3 - εi2)无关； 在第4期，yi1和yi2是Δyi3的工具变量； 在第5期，yi1、yi2和yi3是Δyi4的工具变量； 依次类推。 外生解释变量同样作为工具变量。 * DIF-GMM在stata中的操作 1、估计。在设定面板数据完毕后，输入 xtabond y x1 x2 x3 2、检验。 （1）过度识别约束检验（检验工具变量是否有效） estat sargan （2）检验误差项的序列相关(通常在做两步Arellano和Bond估计之后才能进行) estat abond * 2、系统GMM(SYS-GMM) DIF-GMM存在着一些缺陷。比如，差分时，不仅消除了非观测截面个体效应，而且也消除了不随时间变化的其他变量。还有，DIF-GMM没有利用所有可用的矩条件，因而这种工具变量法可以得到模型参数的一致估计量，但很多时候并非有效估计量（方差最小）。 Arellano和Bover(1995)以及Blundell和Bond(1998)在DIF-GMM估计的基础上，引入被解释变量差分的滞后项与随机误差项正交这个矩条件，得到SYS-GMM（系统GMM）。 参见Baltagi--Econometric Analysis of Panel Data * SYS-GMM在stata中的操作 在对面板数据进行设定之后，输入 xtdpdsys y x1 x2 x3 过度识别约束检验 estat sargan * 面板数据模型的Stata操作 首先对面板数据进行声明： 前面是截面单元，后面是时间标识： tsset company year tsset industry year 产生新的变量：gen newvar=human*lnrd 产生滞后变量：gen fiscal(2)=L2.fiscal 产生差分变量：gen fiscal(D)=D.fiscal * 描述性统计 xtdes ：对Panel Data截面个数、时间跨度的整体描述 xtsum：分组内、组间和样本整体计算各个变量的基本统计量 xttab 采用列表的方式显示某个变量的分布 回归xtreg Stata中用于估计面板模型的主要命令：xtreg xtreg depvar [varli