计量经济学-詹姆斯斯托克-第9章-面板数据的处理.pptxVIP

第六章：面板数据的处理;时间序列数据和截面数据都是一维数据。 时间序列数据是变量按照时间得到的数据；截面数据是变量在截面空间上的数据。面板数据是同时在时间和截面上取得的二维数据。 所以，面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data） ;当描述截面数据时，我们用下标表示个体，如Yi表示变量Y的第i个个体。当描述面板数据时，我们需要其他符号同时表示个体和时期。为此我们采用双下标而不是单下标，其中第一个下标i表示个体，第二个下标t表示观测时间。 如Yit表示n个个体中第i个个体在T个时期中的第t期时观测到的变量Y的值。 ;样本容量较大：可以解决样本容量不足的问题，改进模型估计的有效性。 可以解决遗漏变量问题。遗漏变量偏差是一个普遍存在的问题，虽然可以用工具变量法解决，但有效的工具变量常常很难找到。遗漏变量常常是由于不可观测的个体差异或“异质性”所造成，如果这种个体差异“不随时间而变化”，则面板数据提供了解决遗漏变量问题的又一利器。 提供更多个体动态行为的信息。由于面板数据同时有截面与时间两个维度，有时它可以解决单独的截面数据或时间序列数据所不能解决的问题。 ;案例一;案例一;案例一;案例一;案例一;案例一;案例一;案例一;案例一;案例一;案例一;本章的两大问题;案例二:啤酒税与交通死亡率 ;案例二:啤酒税与交通死亡率 ;案例二:啤酒税与交通死亡率 ;U.S. traffic death data for 1982: ;U.S. traffic death data for 1988 ;啤酒税越高，交通死亡率越高？？？ ;遗漏变量可能引起估计的偏误 ; 如果X2=b21*X1+εi，则事实上有 整理后： 可以证明 ;遗漏重要变量的烦恼;案例二:啤酒税与交通死亡率 ;两时期面板数据;主要的想法：;;案例二:啤酒税与交通死亡率 ;?FatalityRate v. ?BeerTax: ;问题;面板数据模型的一般理论; ; ; ;2、固定效应回归的参数估计;（1）引入（N-1）个哑变量的回归;The regression lines for each state;?;（1）引入（N-1）个哑变量的回归;(2) 去中心化的回归“Entity-demeaned” OLS regression;(2) 去中心化的回归“Entity-demeaned” OLS regression;(2) 去中心化的回归“Entity-demeaned” OLS regression;请问：随个体变化的截距项如何估计？？？;3、一般化的“固定效应”模型;（2）时间固定效应模型Regression with Time Fixed Effects;（2）时间固定效应模型Regression with Time Fixed Effects;（2）时间固定效应模型Regression with Time Fixed Effects;（2）时间固定效应模型Regression with Time Fixed Effects;（3）个体与时间分别固定效应模型;（3）个体与时间分别固定效应模型;（3）个体与时间分别固定效应模型;4、面板数据模型的缺陷;4、面板数据模型的缺陷;（二） 随机效应的面板回归Random Effects Regression ;（1）模型的设定;（1）模型的设定;（1）模型的设定; Yit = ?1Xit + vi + uit = ?0 + ?1Xit + εit 对某一个个体而言，总随机项的协方差阵： ;对某一个 个体 i 而言，随机项的协方差阵： I是T?T的单位矩阵；i是T?1的向量； ;每个观测值的数据生成过程： Yit = ?1Xit + vi + uit = ?0 + ? 1Xit + εit , 个体 i的回归方程的向量形式 Y i = i * ?0 + X i ?1 + εi (T?1) (T?1) (T?1) (T?1) ;个体 i的回归方程的向量形式 Y i = i * ?0 + X i ? 1 + εi (T?1) (T?1) (T?1) (T?1) N个个体 i的回归方程形式： (NT?1) (NT