第16章：面板数据回归模型.ppt

暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 16.4 随机效应模型(REM) * 暨南大学经济学院统计系 陈文静 * * 暨南大学经济学院统计系 陈文静 * 理解随机效应模型中的自相关问题 由于个体效应的存在，同一观测个体的误差项都包含不随时间变化的个体效应，从而导致同一时间序列样本数据内部存在自相关。同样地，如果考虑到时间效应，同一横截面的误差项都包含不随个体变化的时间效应，从而导致同一横截面样本数据存在自相关。我们知道，此时尽管OLS估计量是无偏的，但却不是最优的，OLS估计量有较大的方差。所以，随机效应面板数据模型的本质问题是误差项的自相关，其后果是OLS估计量有较大的方差。 暨南大学经济学院统计系 陈文静 * * * 面板数据模型：固定或随机？ 面板数据模型：固定或随机？ 教材案例—航空公司成本问题 暨南大学经济学院统计系 陈文静 * Eviews操作 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 我们可以想象，在不同的假定下进行估计和检验，导致的深度和难度不同，不同的假定导致了估计和检验的复杂性，这里我们对前4种进行介绍，事实上，前4种假定刻划了面板模型的主要特征. 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 1.混合回归：截距和斜率在在时间和空间上假定为常数. 这一假定不仅忽视了时间效应(一般而言，时间序列模型也常常假定参数不随时间而改变)，更重要的是忽视了空间的差异，即不同企业的截距和斜率可能的差异，但是这一方法具有简单，即将不同横截单位的时间序列数据简单堆积而忽视横截单位的差异，这样堆积的数据为时间序列数据(即看作一个观测对象的时序数据)，所以用OLS即可在这一假定下实现估计。 暨南大学经济学院统计系 陈文静 * CPA:企业的实际价值 PL：实际资本存量 Y:实际总投资 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * * * * * 从上述回归结果可以看出，简单堆积数据回归的结果与每个公司 各自单独回归的结果有显著区别， 隐含了假定截距项和斜率系数都相同的最初假定不能成立. 实践中采用折中的办法，即假定个体的回归方程拥有相同的斜率，但可以有不同的截距项，以此来捕捉异质性。 面板数据回归模型所要考虑的是各横截单位的设定属性或某种特征，刻划这种属性的模型即为以下的固定效应模型. * 暨南大学经济学院统计系 陈文静 * 2.斜率参数不变，但截距随个体的变化而变化:固定效应模型(FEM)或最小二乘虚拟变量模型(LSDV) 暨南大学经济学院统计系 陈文静 * * 暨南大学经济学院统计系 陈文静 * 这就是各个公司的实际截距，通过固定效应估计直接体现出来 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 * 3.斜率参数不变但截距随个体和时间的变化而变化 暨南大学经济学院统计系 陈文静 * 4.所有参数随个体(但不随时间)的变化而变化 暨南大学经济学院统计系 陈文静 * * 暨南大学经济学院统计系 陈文静 * 上述回归结果表明，尽管截距参数的差异不显著，但斜率参数的差异大部分是显著的， 如对于GE公司，X2的斜率为0.027，但是对于GM公司，X2的斜率参数的估计为0.12(=0.027+0.093). 总之，4家公司的投资函数似乎不尽相同，这一现象隐含了这4 家公司的数据可能不能进行面板混合，在这种情况下，应分别对这4家公司进行投资函数的估计。进一步，这种现象也说明，面板数据回归模型并不是对所有情况均是适用的。 * 暨南大学经济学院统计系 陈文静 * 使用固定效应注意的问题: 1、引入太多的虚拟变量，就导致自由度的损失。如对于个体和时间的虚拟变量模型对应的观测值为80， 但只有55个自由度，即3个个体的虚拟变量损失3个自由度，19个时间虚拟变量损失19个自由度，两个斜率系数损失2个自由度，一个共同截距项损失1个自由度，共损失25个自由度，所以自由度为 80-25=55。 2.由于模型中含很多变量(含虚拟变量)，就很可能导致不同程度的共线问题，使得参数估计的精度有所降低。 3.若固定效应模型中的个体或横截单元是人(消费者)，诸如人的时不变属性(性别,肤色,宗教等)作为