动态面板数据模型及其GMM估.pdf

动态面板数据模型及其运用 一、基本模型 y y x  u （1） it i,t1 it i it 方程右边包含了因变量的滞后项（可以推广到多阶滞后），因此称之为动态 面板模型。由于模型（1）中含有因变量的滞后项作为解释变量，如果采用标准 的固定效应模型或随机效应模型来估计模型（1），方法上必然存在明显的缺陷。 因为标准的固定效应模型或随机效应模型要求解释变量是外生的，即解释变量与 随机扰动项不相关。而模型（1）中因变量的滞后项作为解释变量出现在方程右 边，因为 与 相关， 的滞后项也必然与 相关，这违背了解释变量与扰动 y it uit y it uit 项不相关的假定，即存在内生性问题。如果采用标准的固定效应模型或随机效应 模型来估计动态面板数据模型的参数，必然导致参数估计的有偏性和非一致性。 对于动态面板数据模型而言，要得到一致的估计量，一般采用工具变量估计法和 广义矩估计法（GMM ）来估计。 二、工具变量估计法 首先，我们考察多元回归方程：y X  。利用普通最小二乘法得到估计 1 1 ˆ     系数： (X X ) X y (X X ) X  。如果随机扰动项违反标准假设，使得 E ( X ) 0 （这被称为内生性问题），那么，我们的估计系数就是有偏的。还有 其他一些原因可能造成内生性问题，例如，误差项中的遗漏变量、误差项中的测 量误差、联立性（某一解释变量与被解释变量是同时决定的）存在。 1 1 ˆ     E () E ((X X ) X ) (X X ) X (E ( X ))  即使n ，这种偏差也不会消失。从大样本角度看，我们的估计也是非一 致的。     ˆ X X 1 X  X X 1 X  p lim  p lim(( ) ) (p lim( ) ) p lim( )  n n n n 工具变量法给我们解决此类问题提供了很好的工具，我们选择工具变量向量  1  E [Z  ] 0 Z Z ，使得它满足： i i 或p lim Z  0 ，其中 为T k 阶矩阵。 T ˆ  定义工具变量估计量 ，则新的矩条件为： IV ˆ E[Z (y X  )] 0 i i i IV