面板数据模型设定检验方法.docVIP

(STATA的双固定效应)xi： xtreg y xl x2 i.year^fe 2：变系数模型 (1)生成虚拟变量 tab id,gen(id) gen openl=idl^open gen open2=id2*open (2)变系数命令 xtreg y openl open2。。。，fe 面板数据模型设定检验方法 4.1 F检验 先介绍原理。F统计量定义为 F = (RSSr-RSSJ/J ?F(J,N_k) (30) RSSJ(N_k) 7 其中RSSr表示施加约束条件后估计模型的残差平方和， RSSU表示未施加约束条件的估计模型的残差平方和，J表 示约束条件个数，N表示样本容量，氐表示未加约束的模型 中被估参数的个数。在原假设“约束条件真实”条件下，F 统计量渐近服从自由度为(J,N-k)的F分布。 以检验个体固定效应回归模型为例，介绍F检验的应 用。建立假设 Ho： g =%模型中不同个体的截距相同（真实模 型为混合回归模型）。 Hi：模型中不同个体的截距项a?不同（真实模型为个体 固定效应回归模型）。 F统计量定义为: F= (SSEF _SSE)百NT_ — (NT_ N _k” - (SS? - SSE“ )/(N - 1) SSElt l(NT-N-k) SSElt /(NT - N - k) （31） 其中SS￡?表示约束模型，即混合估计模型的残差平方和， SSE “表示非约束模型，即个体固定效应回归模型的残差平方 和。非约束模型比约束模型多了 2V-1个被估参数。 以案例 1 为例，已知 SSE = 4824588, SSE= 2270386, F= (SSEr - SSElt )/(N -1) = (4824588 - 2270386)/(15 -1) SSElt /(NT-N-\) -2270386/(105-15-1)- - 182443 = 22510 (32) 卩0?05(6,87) = 1?8 比较上述两种模因为 F= 8.1 F0.05(14,89)= 1.8,推翻原假设, 比较上述两种模 型，建立个体固定效应回归模型更合理。 4.2 Hausman 检验 对同一参数的两个估计量差异的显著性检验称作 Hausman检验，简称H检验。H检验由Hausmanl978年提 出，是在Durbin (1914)和Wu (1973)基础上发展起来的。 所以 H 检验也称作 Wu-Hausman 检验，和 Durbin-Wu-Hausman 检验。 先介绍Hausman检验原理 例如在检验单一方程中某个回归变量(解释变量)的内 生性问题时得到相应回归参数的两个估计量，一个是OLS 估计量、一个是2SLS估计量。其中2SLS估计量用来克服 回归变量可能存在的内生性。如果模型的解释变量中不存在 内生性变量，那么OLS估计量和2SLS估计量都具有一致性, 都有相同的概率极限分布。如果模型的解释变量中存在内生 性变量，那么回归参数的OLS估计量是不一致的而2SLS 估计量仍具有一致性，两个估计量将有不同的概率极限分 布。 更一般地，假定得到g个回归系数的两组估计量0和厂 则H检验的零假设和被择假设是： Ho: plim（办0） = 0 Hxplim(办歹)工0 假定两个估计量的差作为统计量也具有一致性，在Ho 成立条件下, E 心 2n(0，Vh) 其中Vh是(0“)的极限分布方差矩阵。则H检验统计量定义 为 H = ( ? ? 0 ) (AT1 VH y1 ( 0 ?歹)T /⑷ (33) 其中(VS”)是(?刀)的估计的方差协方差矩阵。在Ho成立条 件下，H统计量渐近服从/⑷分布。其中g表示零假设中约 束条件个数。 H检验原理很简单，但实际中 乙的一致估计量乞并不 容易。一般来说， N%= Var(??0) = Var( 3 )+Var( e )-2Cov( e.e) (34) Var(^), Var(^)在一般软件计算中都能给出。但Cov($，0) 不能给出。致使H统计量(33)在实际中无法使用。 实际中也常进行如下检验。 H。：模型中所有解释变量都是外生的。 Hi：其中某些解释变量都是内生的。 在原假设成立条件下， H = ( 0 - 0 X ( Var(0) - Var(O) ) (0-0 )-%2(*) (36) 其中心@)和心(0)分别是对Var(0)和的估计。与(34) 式比较，这个结果只要求计算Var（^）和Var（^）, H统计量 （36）具有实用性。 当减示一个标量时，H统计量（36）退化为, 其中护和孕分别表示0和4的样本方差值O H检验用途很广。可用来做模型丢失变量的检验、变量 内生性检验、模型形式设定检验、模型嵌套检验、建模顺序 内生性检验、模型形式设定检验、模型嵌套检验、 建