按混合模型变截距模型和变系数模型区分.pptVIP

* EViews不能估计这样的模型：很少的时期或者庞大的截面成员。所用的时期数应至少不小于解释变量个数。即使有足够的观测值，估计的残差相关矩阵还必须是非奇异的。如果有一条不满足EViews的要求，EViews会显示错误信息：“Near Singular Matrix”。 当选择加权时，复选框Iterate to convergence控制可行GLS程序。如果选择，EViews就一直迭代权重和系数直到收敛。如果模型中包括AR项，这个选择就没有意义，因为在AR估计中，EViews会一直迭代直至收敛。 估计Pool方程的其他选项(Options) * * 10.5 White 异方差协方差 (White Heteroskedasticity Covariance) EViews能估计那些广义异方差性强的协方差。这种形式的异方差性比上面介绍的截面异方差性更普遍，因为一个截面成员内的方差可以随时间不同。 要得到怀特标准差和协方差，点Options按钮，选择Coef covariance method。EViews给出了一个下拉列表，列表中包含8种选项。默认的是最上方的Ordinary项，对应式(10.3.7) 和式(10.3.8)给出的系数协方差形式。在此下拉列表中的另外7种系数协方差形式参见10.5节的10.5.1? 10.5.5式。 注意此选项不适用于随机影响估计。 * * 10.6 面板数据的单位根检验和协整检验 10.6.1 面板数据的单位根检验 在第五章介绍的单序列单位根检验方法的基础上，本节将简要地介绍五种面板数据的单位根检验方法。 对面板数据考虑下面的AR(1)过程： i =1, 2, …, N t =1, 2, …, Ti （10.6.1） 其中：xit 表示模型中的外生变量向量，包括各个体截面的固定影响和时间趋势。N 表示个体截面成员的个数，Ti 表示第 i 个截面成员的观测时期数，参数 ?i 为自回归的系数，随机误差项 uit 相互满足独立同分布假设。可见，对于式（10.6.1）所表示的AR(1)过程，如果??i?1，则对应的序列 yi 为平稳序列；如果??i?=1，则对应的序列yi为非平稳序列。 * 根据对式（10.6.1）中参数?i的不同限制，可以将面板数据的单位根检验方法划分为两大类: 一类为相同根情形下的单位根检验，这类检验方法假设面板数据中的各截面序列具有相同的单位根过程（common unit root process），即假设式（10.6.1）中的参数?i 满足 ?i = ? （ i =1, 2, …, N ）; 另一类为不同根情形下的单位根检验，这类检验方法允许面板数据中的各截面序列具有不同的单位根过程（individual unit root process），即允许参数?i 跨截面变化。 * 1．相同根情形下的单位根检验 （1）LLC检验 （2）Breitung检验 （3）Hadri检验 2．不同根情形下的单位根检验 （1）Im-Pesaran-Skin检验 （2）Fisher-ADF检验和Fisher-PP检验 * Pool序列的单位根检验 在Pool对象中，对ADF、PP等单位根检验方法均可以实现。在Pool对象的工具栏中，选择View/Unit Root Test，并输入相应的Pool序列名，可以实现ADF、PP等多种方法下的Pool序列的单位根检验。 * 例10.4中I?的水平变量的所有方法的单位根检验结果: 各种方法的结果(除Breitung检验 外)都接受原假设， I?存在单位根，是非平稳的。 * 例10.4中I?的一阶差分变量的所有方法的单位根检验结果: 各种方法的结果都拒绝原假设，所以可以得出结论： I?是I(1)的。 * 10.6.2 面板数据的协整检验 面板数据的协整检验方法可以分为两大类，一类是建立在Engle and Granger二步法检验基础上的面板协整检验，具体方法主要有Pedroni检验和Kao检验；另一类是建立在Johansen协整检验基础上的面板协整检验。 1．Pedroni检验 2．Kao检验 3．Johansen面板协整检验 * 例10.6 城镇居民消费和收入的面板数