计量经济学中单方程高级问题.pptVIP

进一步分析： 可以看出模型的整体回归标准误差和系数估计的标准误差得到明显的改善，并且序列相关性得到了一定程度的改善（D.W.变大了）。 如果采用随机效应变截距模型进行模型估计（ Common coefficients，Random effects，No weighting ），其结果为： 分析和结论 可以从模型的估计结果中看出，整个模型的估计结果都得到了明显改善，并且，不存在序列相关性了，也就是说，投资（I），前一年企业的市场价值（F），前一年末工厂存货和设备的价值（V）之间的关系对每个企业来说都不相同，这也是可以理解的，因为每个企业的规模都很大，资金设备等各方面的优势都很明显，所以每个企业都可以根据各自的情况来制定各自的企业决策而不依赖于其他公司的反应，这也就表现在面板数据模型中每个企业的估计结果各不相同。 做好人， 靠的是一颗善良的心； 做老好人， 靠的是一张善变的脸。 梦想是一个天真的词， 实现梦想， 则是一个残酷的词。 常说时间能改变一切， 其实那一切， 就是你自己。 要成功， 你需要朋友； 要非常成功， 你需要敌人； 要真正成功， 你需要战胜自己。 眼 光 真正的发现之旅， 不是为了寻找 全新的景色， 而是为了拥有 全新的眼光。 1. 观测值的丢失 假设一元线性回归模型为 如果X和Y都有N个观测值，则斜率的LS估计为 其中 和 代表前N个观测的样本均值。假设因变量还有另外M个观测值，而解释变量X的这M个观测值丢失了。下面根据两种情形，分别提出解决办法。 1、M个观测是随机的 ⑴忽略法 最简单的办法是忽略这M个观测。斜率的LS估计仍然是β2的无偏和一致估计量，惟一影响是损失有效性。 ⑵均值替代法(0阶法) 令丢失的观测值取已有观测的样本均值 。这相当于X对常数项回归，并令每一个丢失观测等于估计系数。显然对于一元线性回归模型，这种做法不改变斜率的LS估计量和它的方差。 2、 M个观测不是随机的 对时间序列，寻找与丢失观测值变量高度相关的代理变量。 ⑴时间变量回归法 变量X直接对时间变量t回归，用回归拟合值代替丢失观测值。如果时间变量与误差项不相关的话，它将产生参数的一致估计。 ⑵工具变量法(一阶法) 假设对于丢失观测值的变量可以找到一组“工具变量”：Z2,…,Zk。这些工具变量与X高度相关，与误差项εi无关。首先，X对这组工具变量进行回归： 然后对丢失的观测计算拟合值： 接下来就可以对原模型重新回归： 其中 这样可以得到斜率的一致估计。 这一方法尽管有用，但也存在以下三点不足： 第一，异方差问题。可以采用加权LS加以处理； 第二，不止一个变量丢失观测时，回归的顺序会影响参数的估计； 第三，工具变量不容易找。 9.4 平行数据的使用 面板数据模型是同时使用截面数和时间序列数据的计量经济学模型 模型的主要结构为： 其中N表示个体数，T表示时间序列个数，面板数据模型分为固定效应模型和随机效应模型 面板数据的使用 面板数据是指包含若干个体在一个时间区域内(若干时点)的样本。因此，样本中的每一个个体都具有很多观测(构成时间序列)；在每个确定的时点也具有由各个个体数据组成的观测(构成截面数据)。面板数据很有用，它可以使研究人员得到单用截面数据或单用时间序列数据都无法获得的经济信息。其它的好处还有：面板数据通常含有很多的数据点，样本具有较大的自由度；截面变量和时间变量的结合信息能够显著地减少缺省变量所带来的问题。 另一方面，面板数据的使用也使模型的确认变得更加困难。平行数据的干扰可能包含时间序列干扰、截面数据干扰，以及时间序列与截面的混合干扰。 1、面板数据的模型估计 面板数据的运用，有三种方法。 第一种方法就是将所有的时间序列和截面数据互相融合(或者说混合在一起)，然后用LS估计可能的模型。 第二种方法是采用固定效应模型，即添加虚拟变量以便允许截距变化，这主要基于缺省变量可能引起截面截距和时间序列截距的变化。 第三种方法是采用随机效应模型，即考虑截面和时间序列的干扰(误差)改进第一种方法中LS估计的有效性。 这里先讨论第一种方法。设一元线性回归模型 其中N是截面的个体数量，T是时间序列的时段个数。如果误差项满足古典线性模型假设，我们可以对截面数据逐个回归，比如对于t=1： 共有T个这样的模型。类似地，我们还可以对时间序列数据逐个回归，比如对于i=1: 共有N个这样的模型。如果α,β的真值对于时间序列和截面个体来说都是一样的常数，我们就可以混合所有数据，用NT个观测进行一个大的融合回归： 2、固定效应模型 最小二乘融合方法的问题在于常数截距和常数斜率的假设可能不合理。如果每个截面都是不同的模型，那么融合就不合适了。处理截距问