面板数据的处理.pptxVIP

会计学1面板数据的处理 引言如果想估计我国的“消费函数”如果我有2005年31个省市自治区的“家庭可支配收入”与“家庭消费”的数据则画散点图；做回归；第1页/共54页 第2页/共54页 引言利用2005年31个省市自治区的“家庭可支配收入”与“家庭消费”的数据： CONS = -10.51 + 1.31*INCOME第3页/共54页 引言如果想估计我国的“消费函数”如果我有北京市2000—2008年的“家庭可支配收入”与“家庭消费”的数据则画散点图；做回归；第4页/共54页 第5页/共54页 引言利用北京市2000—2008年的“家庭可支配收入”与“家庭消费”的数据： CONS = -4732.85 + 1.72*INCOME第6页/共54页 引言如果想估计我国的“消费函数”如果我有31个省市自治区，从2000—2008年的“家庭可支配收入”与“家庭消费”的数据应该如何做回归？第7页/共54页 引言可能的处理方法：谨慎型无知者无谓型第8页/共54页 引言谨慎型估计31个不同地区的消费方程；本质假设：消费行为在不同地区之间有差异，但同一地区在不同时间内没有差异；第9页/共54页 引言谨慎型估计9个不同时期的全国消费方程；本质假设：消费行为在不同地区之间没有差异，但同一地区在不同时间内有差异；第10页/共54页 引言无知者无谓型把所有数据混在一起做回归；本质假设：消费行为在不同地区之间没有差异，同一地区在不同时间内也没有差异；第11页/共54页 引言上述处理方法的缺陷没有充分利用数据；无法避免遗漏变量的影响；有时候无法进行上述处理；第12页/共54页 面板数据的处理一、基本概念二、案例：啤酒税与交通死亡率之间的回归第13页/共54页 面板数据的处理一、基本概念面板数据（panel data）平衡面板数据、非平衡面板数据(balanced panel data)第14页/共54页 二、案例研究:啤酒税与交通死亡率 第15页/共54页 U.S. traffic death data for 1982: 较高的酒精税，更多的交通死亡吗？ $1982第16页/共54页 U.S. traffic death data for 1988 较高的酒精税，更多的交通死亡吗？ 第17页/共54页 啤酒税越高，交通死亡率越高？？？ 第18页/共54页 遗漏因素可能引起遗漏变量偏误。 Example #1: traffic density. Suppose: (i) High traffic density means more traffic deaths (ii) (Western) states with lower traffic density have lower alcohol taxes · 特别地，“高税收”可能反映“高的交通密度” (所以OLS系数可能是正偏误–高税收，更多的死亡) · 当遗漏变量在给定的州内并不随着时间变化而改变时，面板数据可以让我们消除遗漏变量偏误。 第19页/共54页 两时期面板数据第20页/共54页 Suppose Eu|BeerTax, i) = 0.主要的想法: 从1982到1988年死亡率的任何改变，不可能由Zi引起，因为(by assumption)在1982到1988年期间 Zi 没有改变 数学: consider fatality rates in 1988 and 1982: FatalityRatei1988 = b0 + b1BeerTaxi1988 + b2Zi + ui1988 FatalityRatei1982 = b0 + b1BeerTaxi1982 + b2Zi + ui1982 (ititZ 把两个时期的回归方程相减第21页/共54页 FatalityRatei1988 = b0 + b1BeerTaxi1988 + b2Zi + ui1988 FatalityRatei1982 = b0 + b1BeerTaxi1982 + b2Zi + ui1982 so FatalityRatei1988 – FatalityRatei1982 = b1(BeerTaxi1988 – BeerTaxi1982) + (ui1988 – ui1982) · 新的误差项, (ui1988 – ui1982), 与BeerTaxi1988或BeerTaxi1982.都不相关。 · 这个“相减的”等式可以用OLS进行估计, 尽管Zi 无法观测。 第22页/共54页 啤酒税与交通死亡率 第23页/共54页 ?FatalityRate v. ?BeerTax: 第24页/共54页 固定效应的回归Fixed Effects R