面板數(shù)據(jù)模型 計量經(jīng)濟學(xué) EVIEWS建模課件

面板數(shù)據(jù)模型計量經(jīng)濟學(xué)EVIEWS建模課件§1面板數(shù)據(jù)及數(shù)據(jù)的輸入一、面板數(shù)據(jù)及其種類二、面板數(shù)據(jù)庫的合成三、面板數(shù)據(jù)的加工與處理㈠

面板數(shù)據(jù)面板數(shù)據(jù)(Paneldata)是截面和時間序列數(shù)據(jù)的結(jié)合，它使數(shù)據(jù)庫具有三維特點，即截面空間個體i、時間t、指標信息k的數(shù)據(jù)結(jié)構(gòu)。面板數(shù)據(jù)還有很多名稱，主要有時間序列截面數(shù)據(jù)(timeseriesandcrosssectiondata)、綜列數(shù)據(jù)或縱橫數(shù)據(jù)(longitudinadata)等。⒈平衡與非平衡面板數(shù)據(jù)。觀察面板數(shù)據(jù)，如果在確定的時空范圍內(nèi)，對于每一個單位和每一個時期都有觀測值，則稱此面板數(shù)據(jù)是平衡面板數(shù)據(jù)(balancedpaneldata)或叫平行數(shù)據(jù)；若面板數(shù)據(jù)中丟失若干個觀測值，則稱為非平衡面板數(shù)據(jù)(unbalancedpaneldata)。⒉獨立混合截面(Independentlypooledcrosssection)數(shù)據(jù)。這是自同一總體中，在不同時點上隨機抽樣獲取的數(shù)據(jù)，其各數(shù)據(jù)并不是同一成員在不同時間上的反映，所以在不同時點上的觀察點不是同分布(identicallydistributed)的。㈡面板數(shù)據(jù)的主要分類二、面板數(shù)據(jù)庫的合成㈠建立POOL對象

在Eviews中提供了有關(guān)面板數(shù)據(jù)處理的程序，其中存儲面板數(shù)據(jù)的對象叫做合并數(shù)據(jù)庫Pool對象。即選擇Objects/NewObject/Pool，得到如下窗口：⒈首先要為面板數(shù)據(jù)庫中的截面各變量命名。如左側(cè)所示：

例如高鐵梅教材中給出的研究投資需求的例子，包括了五家企業(yè)和三個變量的20個年度觀測值的時間序列：

五家企業(yè)的截面識別名稱是：GM：通用汽車公司；CH：克萊斯勒公司；GE：通用電器公司；WE：西屋公司；US：美國鋼鐵公司。

三個變量是：I：總投資；F：前一年企業(yè)的市場價值；S：前一年末工廠存貨和設(shè)備的價值。推薦在每個識別名中使用“_”字符，它不是必須的，但把它作為序列名的一部分，可以很容易找到識別名稱。同時，要注意如下內(nèi)容：

⑴通過View/Cross-SectionIdentifiers或選擇工具條的Define按鈕，可以顯示Pool中的截面成員識別名稱，并可以對其進行編輯。

⑵通過sheet按鈕定義一組序列名,序列名是由基本名和所有截面識別名構(gòu)成的。在Pool中的關(guān)鍵是序列命名：

各序列名的命名規(guī)則可以使用基本名和“？”占位符構(gòu)成，其中“？”代表截面識別名。如序列名為GDPJPN，GDPUSA，GDPUK，相應(yīng)的Pool序列命名時就要輸入GDP?。如果序列名為JPNGDP，USAGDP，UKGDP，則為?GDP。

⑶當使用一個Pool序列名時，EViews認為將準備使用Pool序列中的所有序列。EViews會自動循環(huán)查找所有截面識別名稱，并用識別名稱來替代“？”。然后會按指令使用這些替代后的名稱了。Pool序列必須通過Pool對象來定義，因為如果沒有截面識別名稱，占位符“？”就沒有意義。使用基本名和截面識別名稱組合命名。截面識別名稱可以放在序列名中的任意位置，只要保持一致即可。例如:GDP_JPN,GDP_USA,GDP_UK等;其中“GDP”作為序列的基本名。㈡輸入Pool數(shù)據(jù)的顯示三維數(shù)據(jù)比較困難，Eviews軟件一般要轉(zhuǎn)化成二維數(shù)據(jù)來顯示，主要有如下兩類：⒈非堆積數(shù)據(jù)存在工作文件的數(shù)據(jù)都是這種非堆積數(shù)據(jù)，在這種形式中，給定截面成員、給定變量的觀測值放在一起，但和其他變量、其他截面成員的數(shù)據(jù)分開。例如，假定我們的數(shù)據(jù)文件為下頁的形式，其中基本名I代表企業(yè)總投資、F代表前一年企業(yè)的市場價值、S代表前一年末工廠存貨和設(shè)備的價值。每個企業(yè)都有單獨的I、F、S數(shù)據(jù)。⒉堆積數(shù)據(jù)選擇View/Spreadsheet(stackeddata)，EViews會要求輸入序列名列表。數(shù)據(jù)堆積方式的顯示有如下兩種：在截面成員堆積的數(shù)據(jù)表中，單擊Order+/-實現(xiàn)堆積方式轉(zhuǎn)換，也可以按日期堆積數(shù)據(jù)：㈢面板數(shù)據(jù)的輸入⒈可以通過手工輸入數(shù)據(jù)，也可以使用剪切和粘貼工具輸入：⑴通過確定工作文件樣本來指定堆積數(shù)據(jù)表中要包含哪些時間序列觀測值。⑵打開Pool，選擇View/Spreadsheet(stackeddata)，EViews會要求輸入序列名列表，可以輸入普通序列名或Pool序列名。如果是已有序列，EViews會顯示序列數(shù)據(jù)；如果這個序列不存在，EViews會使用已說明的Pool序列的截面成員識別名稱建立新序列或序列組。⑶Order+/-按鈕可以實現(xiàn)按截面成員堆積和按日期堆積之間的轉(zhuǎn)換。⑷Edit+/-按鈕打開數(shù)據(jù)編輯模式輸入數(shù)據(jù)。如果有一個Pool包含識別名_CM，_CH，_GE，_WE，_US，通過輸入：I?F?S?，指示Eviews來創(chuàng)建如下序列：I_CM，I_CH，I_GE，I_WE，I_US；F_CM，F(xiàn)_CH，F(xiàn)_GE，F(xiàn)_WE，F(xiàn)_US；S_CM，S_CH，S_GE，S_WE，S_US：⒉文件輸入可以使用Pool對象從文件輸入堆積數(shù)據(jù)到各單獨序列。當文件數(shù)據(jù)按截面成員或時期堆積成時，EViews要求：⑴堆積數(shù)據(jù)是平衡的。即如果按截面成員堆積數(shù)據(jù)，每個截面成員應(yīng)包括正好相同的時期；如果按日期堆積數(shù)據(jù)，每個日期應(yīng)包含相同數(shù)量的截面成員觀測值，并按相同順序排列。⑵截面成員在文件中和在Pool中的排列順序相同?；A(chǔ)數(shù)據(jù)并不一定是平衡的，只要在輸入文件中有表示即可。如果觀測值中有缺失數(shù)據(jù)，一定要保證文件中給這些缺失值留有位置。要使用Pool對象從文件讀取數(shù)據(jù)，先打開Pool，然后選擇：Procs/ImportPoolData(ASCII,.XLS,.WK?)…要使用與Pool對象對應(yīng)的輸入程序。注明Pool序列是按行還是按列排列，數(shù)據(jù)是按截面成員堆積還是按日期堆積。在編輯框輸入序列的名稱。這些序列名應(yīng)該是普通序列名或者是Pool名。填入樣本信息，起始格位置和表單名。三、Pool數(shù)據(jù)的統(tǒng)計處理㈠一般描述統(tǒng)計在Pool中選View/DescriptiveStatistics，有如下話框：堆積數(shù)據(jù)堆積-截面均值后的數(shù)據(jù)截面成員變量時期變量截面共有所有有效平衡的⒈數(shù)據(jù)結(jié)構(gòu)選項(1)堆積數(shù)據(jù)(Stackeddata):計算表中每一變量所有截面成員，所有時期的統(tǒng)計量。如果忽略數(shù)據(jù)的pool性質(zhì)，得到的就是變量的描述統(tǒng)計量。(2)堆積-截面均值后的數(shù)據(jù)(Stacked-meansremoved):計算除去截面平均值之后的描述統(tǒng)計量值。(3)截面成員變量(Cross-sectionspecific):計算每個截面變量所有時期的描述統(tǒng)計量。是通過對各單獨序列計算統(tǒng)計量而得到的。(4)時期變量(Timeperiodspecific):計算時期特性描述統(tǒng)計量。對每一時期，使用pool中所有截面成員的變量數(shù)據(jù)計算的統(tǒng)計量。統(tǒng)計的內(nèi)容與一般序列的描述統(tǒng)計項目相同。注意，后面兩種方法可能產(chǎn)生很多輸出結(jié)果。截面成員描述計算會對每一變量/截面成員組合產(chǎn)生一系列結(jié)果。如果有三個Pool變量，20個截面成員，EViews就會計算60個序列的描述統(tǒng)計量。

⑴Individual(單獨的):利用所有的有效觀測值。即使某一變量的觀測值是針對某一截面成員的，也計算在內(nèi)。⑵Common(截面共同的):使用的有效觀測值必須是某一截面成員的數(shù)據(jù)，在同一期對所有變量都有數(shù)值。而不管同期其他截面成員的變量是否有值。⑶Balanced(平衡的):使用的有效觀測值必須是對所有截面成員，所有變量在同一期都有數(shù)值。⒉樣本選項㈡選擇性統(tǒng)計從Pool選擇Procs/MakePeriodStatSeries…出現(xiàn)以下對話框：可以把時期特性統(tǒng)計量存儲為序列對象。㈢其它數(shù)據(jù)處理方法⒈生成數(shù)據(jù)⑴可以使用PoolGenr(panelgenr)程序生成或者修改Pool序列。即點擊Pool工具欄的Poolgenr并輸入要生成的方程式，例如輸入：r?=I?/I_US,相當于輸入下面五個命令：r_CM=I_CM/I_US；r_CH=I_CH/I_US；r_GE=I_GE/I_US；r_WE=I_WE/I_US；r_US=I_US/I_US。PoolGenr按照輸入的方程在各截面成員間進行循環(huán)計算，生成新的序列或修改已有序列。⑵可聯(lián)合使用PoolGenr和Genr生成新的變量。例如要生成一個在美國鋼鐵(US)時取1，其他企業(yè)時取0的虛擬變量，先選擇PoolGenr,然后輸入：dum?=0，從而初始化所有虛擬變量序列為0。然后，把US值設(shè)置為1，在主菜單選擇Genr，然后輸入：dum_US=1。⑶使用Pool修改序列，選擇PoolGenr然后輸入新Pool序列表達式：

dum?=dum?*(I?>S?)⑷還可以利用數(shù)據(jù)的內(nèi)在循環(huán)特性進行給定時期的截面成員間的計算。例如，建立一普通序列IS，在主菜單選擇Genr，然后輸入：IS=0，即初始值設(shè)為0，然后選PoolGenr并輸入：IS=IS+I?相當于對普通序列從Genr輸入下列計算：IS=I_GM+I_CH+I_GE+I_WE+I_US這個例子用來說明內(nèi)在循環(huán)這個概念。⒉生成Pool組如果希望使用EViews的組對象工具處理一系列Pool序列，選擇Procs/MakeGroup…輸入普通序列和Pool序列名稱，EViews就會生成一個包含這些序列的未命名組對象。⒊刪除和存取數(shù)據(jù)Pool可用來刪除和存取序列。只需選擇：Procs/Deletepoolseries…，Procs/Storepoolseries(DB)…，Procs/Fetchpoolseries(DB)…輸入普通序列和Pool序列名稱即可。§2面板數(shù)據(jù)的模型形式及其估計一、面板數(shù)據(jù)模型的基本分類二、混合回歸模型三、固定效應(yīng)模型四、隨機效應(yīng)模型五、無約束模型六、動態(tài)面板數(shù)據(jù)模型一、

面板數(shù)據(jù)模型及其種類

利用面板數(shù)據(jù)建模，可以構(gòu)造和檢驗比以往單獨使用橫截面數(shù)據(jù)或時間序列數(shù)據(jù)更為真實的行為方程，可以進行更加深入的分析。正是基于實際經(jīng)濟分析的需要，作為非經(jīng)典計量經(jīng)濟學(xué)問題，面板數(shù)據(jù)模型已經(jīng)成為近年來計量經(jīng)濟學(xué)理論方法的重要發(fā)展之一。

利用面板數(shù)據(jù)，采用不同的限制性假設(shè)，會得到不同的面板數(shù)據(jù)回歸計量模型。㈠面板數(shù)據(jù)模型的一般形式在面板數(shù)據(jù)中，我們設(shè)有N個成員，T個時期，則以i表示截面，以t表示時間；且β0表示截距項向量，β為回歸系數(shù)向量。則一般模型形式為：Yit=β0+Xitβ+εit

其中Yit是分塊被解釋變量列向量，xit是解釋變量分塊矩陣；β0和分別是對應(yīng)于N和T的截距和斜率的參數(shù)分塊列向量；εit是殘差分塊列向量。在面板數(shù)據(jù)模型：Yi=β0+Xiβ+εi應(yīng)該是N個截面T個時期的方程，其中的β0和β向量在各時空間的關(guān)系施加不同約束，就會產(chǎn)生意義不同的模型，主要有如下四種情況：當β0i=β0j且βi=βj時，屬于不變截距及參數(shù)模型；當β0i=β0j且βi≠βj時，屬于不變截距變參數(shù)模型；當β0i≠β0j而βi=βj時，屬于變截距不變參數(shù)模型；當β0i≠β0j且βi≠βj時，屬于變截距也變參數(shù)模型。㈡模型的分類規(guī)則這是反映既無個體差異的結(jié)構(gòu)性影響，也無動態(tài)上時間變動及參數(shù)變動影響的不變系數(shù)模型：Yit=β0+∑xitβj+εit其中β0及βj為常數(shù)參數(shù)。該模型用矩陣表示為：Y=Xβ

+ε其中β是各常參數(shù)構(gòu)成的向量，所以該模型也叫不變參數(shù)模型。因該模型完全符合獨立混合截面數(shù)據(jù)的情況，所以也叫做聯(lián)合回歸模型。二、混合回歸模型(PooledRegressionModel)㈠模型的基本形式與表述Y=Xβ+ε㈡混合模型的基本假設(shè)假設(shè)1：E(εit)=0；假設(shè)2：E(εiε’i)=σ2ITN；假設(shè)3：E(εiε’j)=0；假設(shè)4：E(X’ε)=0；假設(shè)5：解釋變量無共線性；假設(shè)6：解釋變量為確定性變量。㈢模型的估計在嚴格假設(shè)成立的前提下，參數(shù)估計量為：B=(X’X)-1X’Y在放寬假設(shè)2為E(εiε’i)=σ2iIN⊙IT時，即不同個體的方程間的同方差可以有區(qū)別。則這種情況下的無偏有效估計為：B=(X’Ω-1X)-1X’Ω-1Y

σi2的估計量：其中：在Pool窗口的工具欄點擊：Estimate：填入系數(shù)相同的變量填入截面系數(shù)不同的變量填入時期系數(shù)不同的變量填入被解釋變量向量對截面固定效應(yīng)和隨機效應(yīng)的選擇選時間固定及隨機效應(yīng)權(quán)重⑴DependentVariable因變量：在因變量對話框中輸入Pool變量或變量表達式。⑵Sample樣本：在該編輯窗口中輸入樣本說明。樣本的缺省值是各截面成員中的最大樣本值。如果得不到某時期截面成員的解釋變量或因變量的值，那么此觀測值會被排除掉。復(fù)選框BalancedSample說明在各截面成員間進行數(shù)據(jù)排除。只要某一時期數(shù)據(jù)對任何一個截面成員無效，此時期就被排除。這種排除保證得到的樣本區(qū)間對所有截面成員都是有效的。⒈各窗口說明如果某截面成員的所有觀測值都沒有，則Pool在進行估計時就排除這個截面成員。同時在輸出中告訴漏掉的截面成員。⑶Commoncoefficients:在該窗口輸入的變量對所有截面成員有相同的系數(shù)，而各變量的系數(shù)則不同，并用原有的變量表示輸出結(jié)果。⑷Cross-sectionspecificcoefficients:在該窗口中輸入的變量對Pool中每個截面成員的系數(shù)不同。并使用截面成員識別名后跟一般序列名，中間用“＿”連接進行標簽輸出結(jié)果。⑴說明。在EViews5中新增了很多內(nèi)容，如Periodspecificcoefficients選項是變量在各觀察時期的參數(shù)不同，并以時期的識別名和一般系列名復(fù)合的形式輸出結(jié)果。這使參數(shù)更為增加了，最多時可能是時期數(shù)×截面成員數(shù)×變量數(shù)的積。⑵Estimationmethod估計方式：在4.0以下版本無該層標題，但如下內(nèi)容基本一致：形式的固定(Fixed)效應(yīng)與隨機(Random)效應(yīng)；初始為無截距(None)，可選同截距(Common)；⒉其他選項說明缺省為無權(quán)重，可在如下五項中選擇權(quán)重：Noweighting：所有觀測值賦予相同的權(quán)重；Cross-sectionweigts：GLS使用估計的截面殘差的方差(即假定有截面異方差，而使用GSL)；Cross-sectionSUR：類似似乎不相關(guān)回歸－GSL使用的截面成員殘差協(xié)方差矩陣；Periodweights：GLS使用估計的時期殘差的方差；PeriodSUR：類似似乎不相關(guān)回歸－GLS使用估計的時期殘差協(xié)方差矩陣。本例估計結(jié)果如下：三、固定效應(yīng)回歸模型

(fixedeffectsregressionModel)在面板數(shù)據(jù)線性回歸模型中，固定效應(yīng)是指不同個體或不同時間之間沒有關(guān)聯(lián)的成份，即截距項在時空間的固定。所以固定效應(yīng)模型有如下三種：⑴個體固定效應(yīng)模型(entityfixedeffectsregressionModel)；⑵時點固定效應(yīng)模型(timefixedeffectsregressionModel)⑶時點個體固定效應(yīng)模型(timeandentityfixedeffectsregressionModel)

㈠個體固定效應(yīng)回歸模型

(entityfixedeffectsregressionmodel)個體固定效應(yīng)模型也叫做個體均值修正回歸模型(individual-meancorrectedregressionmodel)是變截距的單方程模型，它是反映個體之間的差異對模型的截距有影響，但是參數(shù)沒有結(jié)構(gòu)變動，所以模型為：Yit=β0+αi+∑xkitβk+εit即該模型可以看作是結(jié)構(gòu)相同，截距不同的多方程模型。因α有N個，方程就有N個；但每個方程的參數(shù)β都是相同的k×1維系數(shù)向量。⒈個體固定效應(yīng)模型的矩陣表述個體固定效應(yīng)模型可以如下兩種表述方式：Y

=(IN⊙iT)(β0+α)+Xβ+ε(F1式)Y

=iNTβ0+α⊙iT+Xβ+ε(F2式)克羅內(nèi)克積該方法是在與混合回歸模型基本假設(shè)一致的情況下，主要是對F2式進行估計的傳統(tǒng)方法。即令：Z=[IN⊙iTX]則有個體固定效應(yīng)模型中α和β的有效無偏一致性估計量a和b為：(a,b)’

=(Z’Z)-1Z’Y⒉個體固定效應(yīng)模型的估計⑴最小平方虛擬變量估計法(TheLeastSquareDummyvariableEstimation縮寫為LSDV)⑵協(xié)方差分析估計法(TheAnalysisofCovarianceEstimation縮寫為ANCOVA)該方法主要是對F1式進行估計時使用，它可以避免虛擬變量陷阱。其基本做法如下：首先進行組內(nèi)變換(withintransformation)，以消除各時間組的影響，即我們設(shè)組內(nèi)變換算子為：DT=IT-iTiT’/T顯然有：DTiT=0;DTDT=DT;DT=DT。DT實質(zhì)上就是對每個個體的回歸式減去以時間求均值的回歸式。以該算子左乘回歸模型就可以消除不隨時間變化效應(yīng)和共同截距項，該變換就叫做組內(nèi)變換。

對F1式：Y=(IN⊙iT)(β0+α)+Xβ+ε進行組內(nèi)變換有：

DTY=DT(IN⊙iT)(β0+α)+DTXβ+DTε

DTY=DTXβ+DTε該式具有如下性質(zhì)：①E(DTε)=0；②E(DTε

ε’DT’)=IN⊙σ2iuIT則該模型的不變參數(shù)為：bcv=(∑X’iDTXi)-1(∑X’iDTYi)而β0+α的估計需做如下處理：利用組內(nèi)變換后只能得到β和β0+α的估計值，而要將β0和α分離開，需要加入一項假設(shè)，即：假設(shè)7：∑αi=0以M(Y)表式Y(jié)的均值，以M(Xk)表示X的均值函數(shù)列向量，則有分離公式為：β0=M(Y)–M(Xk)bcv

α=M(Yi.)–β0-M(Xi.)bcv注意：ANCOVA估計方法要求X是嚴格外生的，才能得到一致性的估計。即該方法只能用于靜態(tài)建模系統(tǒng)，這是一個很強的應(yīng)用條件。⑶非平衡數(shù)據(jù)的固定影響模型非平衡數(shù)據(jù)是指標在面板數(shù)據(jù)中各成員的觀察數(shù)據(jù)點數(shù)不同的情況。如設(shè)第i個成員的觀測數(shù)據(jù)個數(shù)為Ti，則觀測總量為∑Ti，變量總平均將是以T/∑T為權(quán)重的加權(quán)平均數(shù)了。這樣OLS估計如下：其中Qi=ITi-ii’/Ti；i’=(1,1,…,1)。得出參數(shù)β的估計量b后，可根據(jù)前述分離方法，分別計算出β0、α、γ等參數(shù)的估計值。⑷Eviews操作各橫截面的個體有著不同的固定的均值DependentVariable:GDP? Method:PooledLeastSquares Date:05/10/09Time:17:17 Sample(adjusted):19972007 Includedobservations:11afteradjustments Cross-sectionsincluded:31 Totalpool(balanced)observations:341

Variable Coefficient Std.Error t-Statistic Prob.

C -30.33941 35.42424 -0.856459 0.3924ZZXF? 1.073065 0.042539 25.22564 0.0000ZTZ? 0.950702 0.035750 26.59301 0.0000JCK? 0.814244 0.051024 15.95812 0.0000個體不同的截距見下頁所示：FixedEffects(Cross) BEIJING--C 202.1143 TIANJIN--C 51.47274 HEBEI--C 37.44270 SHANXI--C 48.95778 NEIMENGGU—C13.84529 LIAONING--C -27.41649 JILIN--C -150.5983 HEILONGJIANG--C0.818197 SHANGHAI--C 143.3753 JIANGSU--C 133.9400 ZHEJIANG--C 122.0527ANHUI--C -80.61841 FUJIAN--C -66.28326JIANGXI--C -18.92093 SHANDONG--C-17.35150HENAN--C -103.8892 HUBEI--C -168.1779 HUNAN--C -134.9641 GUANGDONG--C466.4130 GUANGXI--C -71.49171 HAINAN--C 21.62631 CONGQING--C -118.0253 SICUAN--C -134.0256 GUIZHON--C -81.14297 YUNNAN--C -87.52870 XIZANG--C 16.04855 SHAN3XI--C 31.25601 GANSU--C 2.212173 QINGHAI--C 1.560328 NINGXIA--C 7.258374XINJIANG--C -39.95927個體固定效應(yīng)模型的整體檢驗統(tǒng)計量如下：EffectsSpecificationCross-sectionfixed(dummyvariables)

R-squared 0.997576 Meandependentvar4631.011AdjustedR-squared 0.997316 S.D.dependentvar4665.375S.E.ofregression 241.7112 Akaikeinfocriterion13.90774Sumsquaredresid 17936267 Schwarzcriterion14.28981Loglikelihood -2337.270 F-statistic 3829.045Durbin-Watsonstat 1.380847 Prob(F-statistic)0.000000

㈡時點固定效應(yīng)回歸模型

(Timefixedeffectsregressionmodel)時點固定效應(yīng)回歸模型是指在不同時點上的截距項的不同的，而同一時點的個體間的截距是相同的。即模型的形式為：Yit=γt+∑Xkitβk+εit用矩陣表述為：Y

=(iT⊙IN)γ+xβ+ε其中各符號同前，各時點的截距列向量為：時點固定效應(yīng)的Eviews操作在不同的時期有著不同的截距。時點固定效應(yīng)方程估計結(jié)果DependentVariable:GDP? Method:PooledLeastSquaresDate:05/10/09Time:21:37 Sample:19972007 Includedobservations:11 Cross-sectionsincluded:31 Totalpool(balanced)observations:341

VariableCoefficientStd.Error t-Statistic Prob.

C -67.01731 28.42788 -2.357450 0.0190 ZZXF? 1.069599 0.022489 47.56107 0.0000 ZTZ? 0.967573 0.021459 45.08965 0.0000 JCK? 0.894617 0.041004 21.81791 0.0000 FixedEffects(Period) 1997--C 19.818401998--C 9.0901541999--C 17.85224 2000--C 12.846382001--C 1.9406812002--C -25.458282003--C 98.923902004--C 107.58002005--C -44.803192006--C -100.16922007--C -97.62105 EffectsSpecification Periodfixed(dummyvariables) R-squared 0.997217

Meandependentvar4631.011AdjustedR-squared0.997106

S.D.dependentvar 4665.375S.E.ofregression250.9638

Akaikeinfocriterion13.92868Sumsquaredresid20595379

Schwarzcriterion 14.08600Loglikelihood -2360.841

F-statistic 9013.144Durbin-Watsonstat1.176412

Prob(F-statistic)0.000000㈢時點個體固定效應(yīng)回歸模型這是指不同時點和不同個體的截距都不同的回歸模型，其基本形式如下：Yit=β0+αi+γt+∑xkitβk+εit用矩陣表述為：Y

=iNTβ0+α⊙iT

+(iN⊙IT)γ+xβ+ε其中各符號同前。因該模型使用LSDV方法估計，會使用N+T個以上的虛擬變量，易產(chǎn)生多重共線性。所以這里要采用ANCOVA估計方法，介紹如下：首先進行組內(nèi)變換(withintransformation)，以消除了截距項、時間效應(yīng)和個體效應(yīng)的影響，即我們設(shè)組內(nèi)變換算子為：D

=IT-IN⊙iTiT’/T-iTiT’/N⊙IT+iTiT’/N⊙iTiT’/T顯然以該算子左乘回歸模型就可以得到：

DY=DXβ+Dε則該模型的不變參數(shù)的一致無偏有效估計為：bcv=(X’DX)-1(X’DY)克羅內(nèi)克積而對β0和α、γ的估計需要在假設(shè)7和假設(shè)8的基礎(chǔ)上，進行分離處理。即：假設(shè)8：∑γt=0則以M(Y

)表式Y(jié)的均值有：β0=M(Yit)–M(Xit)bcv

α=[M(Yi.)–M(Yit)]-[M(Xi.)-M(Xit)]bcvγ=[M(Y.t)–M(Yit)]-[M(X.t)-M(Xit)]bcv使用Eviews程序，只需在cross-secti和period兩個窗口中選擇fixed項即可。四、隨機效應(yīng)(RandomEffects)回歸模型㈠隨機效應(yīng)模型的形式及假設(shè)當各成員數(shù)據(jù)是隨機抽樣獲得的樣本時，固定影響變截距模型就不適用了，特別是以樣本來分析總體時更為明顯。這時的模型形式為：Yit=β0+Xitβ+ui+vt+εit其中：β0為截距中的常數(shù)部分；ui～N(0,σ2u)為截距中個體隨機影響的部分；vt～N(0,σ2v)為截距中時間隨機影響的部分；εit～N(0,σ2ε)為個體時間混合隨機影響誤差。隨機效應(yīng)回歸模型的基本假設(shè)如下：⑴ui、vt、εit與Xit之間相互獨立均不相關(guān)，即：E(uivt)=E(vtεit)=E(εitXit)=E(Xitui)=E(uiεit)=E(vtXit)=0⑵各隨機項都是0期望值，即：E(ui)=E(vit)=E(εit)=0⑶當i≠j,s≠t時，各變量均無自相關(guān)。即：E(uiuj)=E(vsvt)=E(εisεjt)=0⑷各隨機項均為同方差，即：E(ui2)=σ2u；E(vt2)=σ2v；E(εit2)=σ2ε㈡隨機影響變截距模型的FGLS估計由于在隨機影響變截距模型中，同一成員在不同時期的隨機誤差項之間易存在一定程度的相關(guān)性，使OLS估計量不再是最佳有效的估計，應(yīng)該使用GLS進行。而在Ω已知的情況下GLS的估計量為：其中：Z=(iNTX)；

Ω=E(εiεi’)=σ2u(IN⊙iTi’T)+σ2v(iNi’N⊙IT)+σ2ε(IN⊙IT)；在一般情況下Ω陣是未知的，這時需要對三類方差進行分離估算，即采用成份方差分析得到可行廣義最小二乘法FGLS(feasiblegeneralizedleastsquared)。Wallace與Hussian(1969)基于混合數(shù)據(jù)模型的殘差e，給出了成分方差模型(errorcomponentmodel)各方差的一致性估計如下：注意：Amemyia(1971)指出，有滯后被解釋變量的動態(tài)模型中該估計不是一致的，這時與將殘差e改為固定效應(yīng)模型的ANCOVA估計的殘差。注：非平衡數(shù)據(jù)的隨機影響模型如果我們使用的數(shù)據(jù)是非平衡的，則在FGLS的求解過程中，轉(zhuǎn)換逆矩陣的第i個對角分塊陣為：成分方差相應(yīng)估計分別為：其它同上無約束模型是指指單方程模型的截距和變量系數(shù)都可以變動的回歸模型，即模型中的各結(jié)構(gòu)系數(shù)在各成員間存在差異，對模型的截距和斜率都有影響，所以模型為：Yit=αi+xitβi+uit即該模型可以看作是結(jié)構(gòu)和截距都不同的多方程模型。因α有N個，方程就有N個；且每個方程的參數(shù)β都是不同的k×1維系數(shù)向量。五、無約束模型(unrestrictedmodel)㈠模型的基本形式由于截距αi和斜率βi都是可變的，因此可以將兩系數(shù)合并為一個系數(shù)向量δi=(αi’,βi’)’，并將解釋變量陣Xit=(1,xit)，則模型的形式將為：Yit=Xitδi+εit以矩陣形式表述將是：Y=XΔ+ε，各要素內(nèi)容為：在固定影響變系數(shù)模型中，系數(shù)向量δ是跨截面變化的常數(shù)向量。因此，當不同橫截面?zhèn)€體之間的隨機誤差項不相關(guān)時，參數(shù)的估計極為簡單。可以將模型分為N個單方程，利用各截面?zhèn)€體的時間序列數(shù)據(jù)采用OLS方法來估計參數(shù)。而對各個體的誤差項之間，以及各期數(shù)據(jù)之間存在相關(guān)性的時候，估計的問題就要復(fù)雜了，如果時期間存在相關(guān)性應(yīng)考慮建立動態(tài)模型，若個體間存在相關(guān)性則考慮使用GLS進行估計如下：㈡固定影響變系數(shù)模型注：截面隨機項相關(guān)的固定影響變參數(shù)模型當不同截面?zhèn)€體的隨機誤差項之間相關(guān)時，即E(εiεj’)=Ω≠0時，各截面上的單方程OLS估計量雖然仍是一致和無偏的，但不是最有效的，因此需要使用GLS進行估計。設(shè)協(xié)方差矩陣為Ωij，則有：即利用截面各單方程的OLS估計出V后，GLS估計量為：㈢隨機影響變系數(shù)模型⒈隨機影響模型的基本形式

考慮變系數(shù)模型的一般形式：Yit=Xitδi+εit如果將變系數(shù)分為均值和隨機變量兩部分，即設(shè)：δi=m+vi則隨機影響的變系數(shù)模型矩陣式為：Y=Xm+DV+ε其中：V=(v1,v2,…,vN)’；X=(X1,X2,…,XN)’NT×(k+1)；D=diag(X1,X2,…,XN)NT×N(k+1)

；上模型的復(fù)合誤差項DV+ε的協(xié)方差矩陣也為分塊對角陣Λ=diag(Φ1,Φ2,…,ΦN)NT×NT；各分塊為：Φi=XiHXi’+σi2IT；H=λIk+1隨機影響的變系數(shù)模型有如下基本假設(shè)：⑴E(vi)=0k+1;⑵當i=j時,E(vivi’)=λIk+1；

當i≠j時,E(vivi’)=0(k+1)×(k+1);⑶E(Xi’vi’)=0(k+1)×(k+1);E(viεi’)=0(k+1)×T;⑷當i=j時,E(εiεi’)=σi2IT;

當i≠j時,E(εiεi’)=0T×T。⒉隨機影響變系數(shù)模型的估計隨機影響變系數(shù)模型在Swany1970年的假設(shè)下，如果XX’/NT收斂于非零常數(shù)矩陣，則Y對X的簡單回歸而得到的參數(shù)δ估計量是無偏和一致的，但是不是最有效的。其中m部分的GLS估計公式為：其中：從上公式可知參數(shù)m的估計是各橫截面?zhèn)€體上OLS估計的矩陣加權(quán)平均，權(quán)重同各自的協(xié)方差成正比。但是現(xiàn)實中由于各隨機誤差項的方差H和σi2未知，因此需要使用Swamy-Arora方法對兩項方差估計后，再使用FGLS方法對參數(shù)進行估計：其中：

注：六、動態(tài)模型簡介㈠單方程動態(tài)面板數(shù)據(jù)模型主要有如下兩類：⒈自回歸面板數(shù)據(jù)模型的一般形式：Yit=β0

+∑pαitYi,t-p+ui

+

εit⒉外生變量線性動態(tài)面板數(shù)據(jù)模型為：Yit=

β0

+∑kβkXkit

+

∑pαitYi,t-p+ui

+

εit在常規(guī)基本假設(shè)下，常使用差分工具變量法或廣義距估計法進行有效估計。㈡面板向量自回歸模型PVAR(P)面板數(shù)據(jù)模型形式的原檢驗很特殊，即為：H1：β1=β2=…=βNH2：α1=α2=…=αN且

β1=β2=…=βN在該種假設(shè)檢驗中，各檢驗情況如下：⒈接受H2時，可以認為模型是混合回歸模型；⒉否定H2時，有如下兩種情況：⑴若否定H2后接受H1，則可以認定模型是個體均值修正的回歸模型(即變截距模型)。⑵若否定H2后又拒絕了H1，則認定模型是變系數(shù)模型，或叫無約束模型?！?面板數(shù)據(jù)模型的設(shè)定檢驗一、假設(shè)的形式二、檢驗統(tǒng)計量的計算⒈各類殘差平方和的計算實現(xiàn)面板數(shù)據(jù)模型形式的F檢驗，需要計算各類殘差平方和，設(shè)MX為X的樣本均值，MY為Y的樣本均值，并記：WXXi=∑T(Xit-MXi)’(Xit-MXi)WXYi=∑T(Xit-MXi)’(Yit-MYi)WYYi=∑T(Yit-MYi)’(Yit-MYi)則各模型的殘差平方和如下：⑴無約束模型的殘差平方和：S1=∑NRSSi

=∑N(WYYi

–W’XYiW-1XXiWXYi)且知：S1/σu2～X2[N(T-k-1)]。⑵個體均值修正回歸模型的殘差平方和

設(shè)：WXX=∑NWXXi；WXY=∑NWXYi；WYY=∑NWYYi則變截距模型的殘差平方和S2為：S2=WYY

–W’XYW-1XXWXY且知在H2下，S3/σu2～X2[NT–N(k+1)]；(S3–S1)/σu2～X2[(N-1)(k+1)]。⑶混合回歸模型的殘差平方和

設(shè)：TXX=∑∑(Xit-MX)’(Xit-MX)TXY=∑∑(Xit-MX)’(Yit-MY)TYY=∑∑(Yit-MY)’(Yit-MY)其中MX=∑∑(X)/TN；MY=∑∑(Y)/TN則不變系數(shù)模型的殘差平方和為：S3=TXY–T’XYT-1XXTXY⒉F檢驗過程因為S1/σu2與X2[NT–(k+1)]獨立，所以在H2假設(shè)下，對于檢驗統(tǒng)計量F2有：F2={(S3-S1)/[(N-1)(k+1)]}÷{S1/[NT–N(k+1)]}且：F2～F[(N-1)(k+1),

N(T–k-1)]

若以顯著性水平否定F2，即F2>Fα，則需繼續(xù)檢驗F1；否則接受H2，認為模型是不變參數(shù)，且不變截距的模型。

類似的由于在H1下，S2/σu2～X2[N(T-k-1)]和(S2-S1)/σu2～X2[(N-1)k]；且(S2-S1)/σu2與S1/σu2獨立。所以有統(tǒng)計量F1如下：F1={(S2-S1)/[(N-1)k]}÷{S1/[NT–N(k+1)]}且：F1～F[(N-1)k,

N(T-k-1)]

若以顯著性水平否定F1，即F1>Fα，則模型是變參數(shù)無約束的；否則接受H1，認為模型是不變參數(shù)但是變截距的模型。如果在固定影響的變截距模型中，發(fā)現(xiàn)存在異方差和自相關(guān)時，其基本克服方法仍然是GLS。但是這里要考慮如下四種方差結(jié)構(gòu)：

⒈截面異方差。指各成員方程的隨機項之間存在異方差，而個體成員之間和時期之間的協(xié)方差為零，即E(uituit)=σi2；E(uisujt)=0(i≠j,s≠t)；設(shè)初次使用OSL的估計值為fY，則成員i的樣本殘方差為：si2=∑(Yit-fYit)2/T再設(shè)S為主對角線元素si2構(gòu)成的對角矩陣，則GLS的加權(quán)矩陣為(S⊙I)-1三、模型的修正㈠異方差和方程間的相關(guān)問題的克服⒉時期異方差。是指T個時期的各截面方程的隨機項之間存在異方差，而個體成員之間和時期之間的協(xié)方差為零，即E(uituit)=σt2；E(uisujt)=0(i≠j,s≠t)；設(shè)初次使用OSL的估計值為fY，則各時期t的樣本殘方差為：st2=∑(Yit-fYit)2/N再設(shè)S為主對角線元素st2構(gòu)成的對角矩陣，則GLS的加權(quán)矩陣為(S⊙I)-1。⒊同期相關(guān)協(xié)方差。是指各個體成員i和j的同一時期的的隨機項之間是相關(guān)的，而在不同時期是獨立的。相應(yīng)的假設(shè)是：E(uisujt)=0(i≠j,s≠t)；不同成員之間的協(xié)方差及其矩陣S為：

E(uitujt)=σij；S=則這里的GLS估計，也叫做近似不相關(guān)回歸，簡記為SUR(seeminglyunrelatedregression)。

該方法適合于方程間的殘差可能具有異方差和同期相關(guān)，但是單個方程不存在序列相關(guān)的情形。其估計有如下兩種情況：⑴如果S已知，則參數(shù)的估計為：⑵當S未知時，需要利用初次OLS對其各元素進行估計，即：

⒋時期間相關(guān)協(xié)方差。處理方法同⒊。㈡自相關(guān)問題的分析如果固定影響的變截距模型，既不存在異方