面板数据的回归分析.pptVIP

7.3 随机效应模型估计 7.3.2 用EViews7.2估计随机效应模型 数据导入、数据结构转换以及模型设定与固定效应模型估计一样，不同的是在panel option的cross section中选Random，还有 和 的估计方法 7.3 随机效应模型估计 7.3.2 用EViews7.2估计随机效应模型 例子7.1 输出结果： 7.3 随机效应模型估计 7.3.2 用EViews7.2估计随机效应模型 由于随机效应模型不再消掉不随时间变化的自变量，故这些解释变量都可以在模型中保留下来。 例子7.2的EViews回归结果 7.3 随机效应模型估计 7.3.2 用EViews7.2估计随机效应模型 例子7.2的EViews回归结果 7.4 固定效应还是随机效应？——Hausman检验 7.4.1 Hausman检验原理 7.4.2用EViews7.2进行Hausman检验 7.4 固定效应还是随机效应？——Hausman检验 7.4.1 Hausman检验原理 比较随机效应和固定效应下参数估计是否有差别，若差别显著，则认为应采用固定效应（稳健优先）：若不显著，则认为应采用随机效应（效率优先）。 Hausman检验构造的统计量只对斜率系数进行比较。 7.4 固定效应还是随机效应？——Hausman检验 7.4.1 Hausman检验原理 假设三个斜率参数的固定效应估计和随机效应估计分别为 和 可以对整体模型进行Hausman检验，如：用 、 、 构造 分布 也可对单个参数进行Hausman检验，如： 7.4 固定效应还是随机效应？——Hausman检验 7.4.2 用EViews7.2进行Hausman检验 首先进行随机效应模型估计，在估计结果界面进行相应的操作，在随机效应估计结果界面点击View→Fixed/Random Effects Testing→Correlated Random Effects-Hausman Test，弹出如下检验结果 7.4 固定效应还是随机效应？——Hausman检验 7.4.2 用EViews7.2进行Hausman检验 Hausman检验需要对固定效应模型进行检验，因此不能包含不随时间变化的自变量(除了个体异质性)。所以不能对例子7.2进行 Hausman检验。 重要概念 1. 横截面上若干多个时期的观测值形成面板数据。由于来自两个维度，面板数据在增加样本量的同时，也比单纯的横截面数据具有更为复杂的结构。 2. 板数据模型包含个体不可观测异质性 ，并根据 与模型自变量的关系将模型分为固定效应模型和随机效应模型。 3. 与自变量相关时，面板数据模型称为固定效应模型。 并入误差项会引起自变量的内生性，导致回归系数的OLS估计不是一致估计。要估计固定效应模型，需要将 消掉，固定效应估计方法采用将模型变量减去组内均值的方法消掉 。 重要概念 与自变量不相关时，面板数据模型称为随机效应模型。 并入误差项不会引起自变量的内生性，回归系数的OLS估计不一致估计。随机效应估计方法的核心，是利用复合误差项的特殊结构，更加有效地估计回归系数。随机效应估计方法首先对模型变量进行变换，将变量减去权重系数 乘以组内均值，然后对变换后变量形成的模型实施OLS估计。随机效应模型估计中，权重系数的计算是关键。权重系数 的计算有三种不同方法，EViews操作可以进行选择。 重要概念 5. 确定采用固定效应模型还是随机效应模型时，需要进行Hausman检验。Hausman检验的想法是将两种模型的参数估计结果进行比较，以确定是否有显著差别，如果有，则认为固定效应模型是合适模型，如果没有则可以采用随机效应模型。 第7章 面板数据回归分析 面板数据回归分析 7.1 面板数据模型 7.1.1 面板数据 7.1.2 面板数据模型 7.2 固定效应模型估计 7.2.1 固定效应模型估计 7.2.2 用EViews7.2估计固定效应模型 面板数据回归分析 7.3 随机效应模型估计 7.3.1 随机效应模型估计 7.3.2 用EViews7.2估计随机效应模型 7.4 固定效应还是随机效应？ —Hausman检验 7.4.1 Hausman检验原理 7.4.2用EViews7.2