




版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、a,1,面板數(shù)據(jù)分析方法,a,2,a,3,Baltagi,Baltagi著 白仲林主譯,a,4,a,5,a,6,第一節(jié) 面板數(shù)據(jù)的基本問題 第二節(jié) 面板數(shù)據(jù)的模型形式 第三節(jié) 面板數(shù)據(jù)模型的估計(jì)方法,a,7,第一節(jié) 面板數(shù)據(jù)的基本問題,一、面板數(shù)據(jù)的定義 二、面板數(shù)據(jù)的分類 三、面板數(shù)據(jù)的特點(diǎn),a,8,一、面板數(shù)據(jù)的定義,面板數(shù)據(jù)(panel data)是指由變量y關(guān)于N個不同對象的T個觀測期所得到的二維結(jié)構(gòu)數(shù)據(jù),記為yit,其中,i表示N個不同對象(如國家、地區(qū)、行業(yè)、企業(yè)或消費(fèi)者等,一般稱之為第i個個體),t表示T個觀測期。,a,9,面板數(shù)據(jù)是二維結(jié)構(gòu)數(shù)據(jù),時間序列數(shù)據(jù)或截面數(shù)據(jù)都是一維數(shù)
2、據(jù)。時間序列數(shù)據(jù)是變量按時間得到的數(shù)據(jù);截面數(shù)據(jù)是變量在固定時點(diǎn)的一組數(shù)據(jù)。面板數(shù)據(jù)是同時在時間和截面上取得的二維數(shù)據(jù)。所以 ,面板數(shù)據(jù)(panel data)也稱作時間序列與截面混合數(shù)據(jù)(pooled time series and cross section data)。面板數(shù)據(jù)是截面上個體在不同時點(diǎn)的重復(fù)觀測數(shù)據(jù)。,a,10,面板數(shù)據(jù)是二維結(jié)構(gòu)數(shù)據(jù),Panel原指對一組固定調(diào)查對象的多次觀測,近年來panel data已經(jīng)成為專業(yè)術(shù)語。 面板數(shù)據(jù)從橫截面看(cross section),是由若干個體(entity,unit,individual)在某一時點(diǎn)構(gòu)成的截面觀測值,從縱剖面(lo
3、ngitudinal section)看每個個體都是一個時間序列。,a,11,數(shù)據(jù)結(jié)構(gòu)的二維性,時間序列數(shù)據(jù),橫截面數(shù)據(jù),變量X的面板數(shù)據(jù)結(jié)構(gòu),a,12,面板數(shù)據(jù)是二維結(jié)構(gòu)數(shù)據(jù),a,13,a,14,a,15,第一節(jié) 面板數(shù)據(jù)的基本問題,一、面板數(shù)據(jù)的定義 二、面板數(shù)據(jù)的分類 三、面板數(shù)據(jù)的特點(diǎn),a,16,二、面板數(shù)據(jù)的分類,1.短面板與長面板 短面板(short panel):時間T較小,而個體數(shù)N較大。 長面板(long panel):時間T較大,而個體數(shù)N較小。,a,17,二、面板數(shù)據(jù)的分類,2.微觀面板數(shù)據(jù)與宏觀面板數(shù)據(jù) 微觀面板數(shù)據(jù)一般指一段時期內(nèi)不同個體或者家庭的調(diào)查數(shù)據(jù),其數(shù)據(jù)中往
4、往個體單位較多,即N較大(通常均為幾百或上千)而時期數(shù)T較短(最短為兩個時期,最長一般不超過20個時期)。,a,18,二、面板數(shù)據(jù)的分類,2.微觀面板數(shù)據(jù)與宏觀面板數(shù)據(jù) 宏觀面板數(shù)據(jù)通常為一段時間內(nèi)不同國家或地區(qū)的數(shù)據(jù)集合,其個體單位數(shù)量N不大(一般為7-200)而時期數(shù)T較長(一般為20-60年)。,a,19,二、面板數(shù)據(jù)的分類,3.動態(tài)面板與靜態(tài)面板 在面板模型中,如果解釋變量包含被解釋變量的滯后值,則稱為“動態(tài)面板”(dynamic panel);反之,則稱為“靜態(tài)面板”(static panel)。,a,20,二、面板數(shù)據(jù)的分類,4.平衡面板數(shù)據(jù)與非平衡面板數(shù)據(jù) 如果在面板數(shù)據(jù)中,每個
5、時期在樣本中的個體完全一樣,則稱為“平衡面板數(shù)據(jù)”(balanced panel);然而,有時某些個體的數(shù)據(jù)可能缺失,或者新的個體后來才加入到調(diào)查中來,在這種情況下,每個時期觀測到的個體不完全相同,則稱為“非平衡面板數(shù)據(jù)”(unbalanced panel)。,a,21,第一節(jié) 面板數(shù)據(jù)的基本問題,一、面板數(shù)據(jù)的定義 二、面板數(shù)據(jù)的分類 三、面板數(shù)據(jù)的特點(diǎn),a,22,三、面板數(shù)據(jù)的特點(diǎn),1.由于觀測值的增多,可以增加估計(jì)量的抽樣精度。 由于同時有截面維度與時間維度,通常面板數(shù)據(jù)的樣本容量更大,從而可以提高估計(jì)的精確度。 面板數(shù)據(jù)提供“更加有信息價值的數(shù)據(jù),變量增加變異性,變量之間的共線性削弱了
6、,并且提高了自由度和有效性。,a,23,三、面板數(shù)據(jù)的特點(diǎn),2.提供更多個體動態(tài)行為的信息。 由于面板數(shù)據(jù)同時有橫截面與時間兩個維度,有時可以解決單獨(dú)的截面數(shù)據(jù)或時間序列數(shù)據(jù)所不能解決的問題,對面板數(shù)據(jù)進(jìn)行回歸既可以像回歸分析截面數(shù)據(jù)一樣捕獲個體間的差異變化,又可以研究個體隨時間的變化情況。,a,24,三、面板數(shù)據(jù)的特點(diǎn),2.提供更多個體動態(tài)行為的信息。 案例:考慮如何區(qū)分規(guī)模效應(yīng)與技術(shù)進(jìn)步對企業(yè)生產(chǎn)效率的影響。對于截面數(shù)據(jù)來說,由于沒有時間維度,故無法觀測到技術(shù)進(jìn)步。然而,對于單個企業(yè)的時間序列數(shù)據(jù)來說,我們無法區(qū)分其生產(chǎn)效率的提高究竟有多少是由于規(guī)模擴(kuò)大,有多少是由于技術(shù)進(jìn)步。,a,25,
7、三、面板數(shù)據(jù)的特點(diǎn),3.可以解決遺漏變量問題。 遺漏變量偏差是一個普遍存在的問題。雖然可以用工具變量法解決,但有效的工具變量常常很難找。遺漏變量常常是由于不可觀測的個體差異或“異質(zhì)性”造成的,如果這種個體差異“不隨時間而改變”,則面板數(shù)據(jù)提供了解決遺漏變量問題的又一利器。,a,26,三、面板數(shù)據(jù)的特點(diǎn),4.帶來一些問題。 (1)由于綜合了兩種數(shù)據(jù)類型,面板數(shù)據(jù)分析方法相對更加復(fù)雜。 (2)由于同一個體不同時期的數(shù)據(jù)一般存在自相關(guān),樣本數(shù)據(jù)通常不滿足獨(dú)立同分布的假定。 (3)面板數(shù)據(jù)的收集成本通常較高,不易獲得。,a,27,a,28,圖6 圖7,a,29,File:5panel02a,用原變量建
8、模還是用對數(shù)變量建模?,人均消費(fèi)對收入的面板數(shù)據(jù)散點(diǎn)圖 對數(shù)的人均消費(fèi)對收入的面板數(shù)據(jù)散點(diǎn)圖,本例用對數(shù)數(shù)據(jù)研究更合理,a,30,圖8 圖9,盡管兩個地區(qū)的水平值差異很大,但消費(fèi)結(jié)構(gòu)并沒有太大的變化。,a,31,第一節(jié) 面板數(shù)據(jù)的基本問題 第二節(jié) 面板數(shù)據(jù)的模型形式 第三節(jié) 面板數(shù)據(jù)模型的估計(jì)方法,a,32,其中: 和 分別表示居民的消費(fèi)與收入。 反映不隨時間變化的個體上的差異性(個體效應(yīng)) 反映不隨個體變化的時間上的差異性(時間效應(yīng)),例1:居民消費(fèi)行為與收入的關(guān)系,a,33,例2. 農(nóng)村居民收入分析,(14.1.3),面板數(shù)據(jù):多個觀測對象的時間序列數(shù)據(jù)所組成的樣本數(shù)據(jù)。,反映不隨個體變化
9、的時間上的差異性, 被稱為時間效應(yīng)。,反映不隨時間變化的個體上的差異性, 被稱為個體效應(yīng),a,34,第二節(jié) 面板數(shù)據(jù)的模型形式,一、個體效應(yīng)模型 二、固定效應(yīng)模型 三、隨機(jī)效應(yīng)模型 四、雙向效應(yīng)模型,a,35,其中: 為 的矩陣, 為k個解釋變量的第i個個體在 第t時期的觀測值,為 的矩陣。zi為不隨時間 而變的個體特征,即 。擾動項(xiàng)由 兩部分構(gòu)成,被稱為“復(fù)合擾動項(xiàng)”。,個體效應(yīng)模型(individual-specific effects model)假定 樣本中每個個體的回歸方程斜率相同,但截距項(xiàng)不同。,一、個體效應(yīng)模型,a,36,復(fù)合擾動項(xiàng): 不可觀測的隨機(jī)變量 是代表個體異質(zhì)性的截距項(xiàng)
10、。 為隨個體與時間而變的擾動項(xiàng)。 假定 為獨(dú)立同分布的,且與 不相關(guān)。,個體效應(yīng)模型,a,37,1.它表示不可觀測的個體特殊效應(yīng)、潛在變量、不可觀測 的異質(zhì)性等??紤]到個人或者任一家庭、企業(yè)都具有很 難被調(diào)查者觀察到的獨(dú)有的特征,這種特殊效應(yīng)在整個 時間范圍內(nèi) 是保持不變的。 2.某些場合下將其視為常數(shù),但這也是隨機(jī)變量的特例, 即退化的隨機(jī)變量。,對于個體效應(yīng) :,a,38,取對數(shù)后,模型變?yōu)椋?在這里, 代表著企業(yè)不隨時間變化并且不可觀測到的 特殊效應(yīng),它表示一個企業(yè)的管理才能、員工素質(zhì)等。,例:一個企業(yè)的柯布-道格拉斯生產(chǎn)函數(shù),a,39,1.如果 與所有解釋變量 均不相關(guān),則進(jìn)一步稱之
11、為“隨機(jī)效應(yīng)模型”(Random Effects Model,RE)。 2.如果 與某個解釋變量相關(guān),則進(jìn)一步稱之為“固定效 應(yīng)模型(Fixed Effects Model,FE)。,個體效應(yīng) 與解釋變量 的相關(guān)性:,a,40,第二節(jié) 面板數(shù)據(jù)的模型形式,一、個體效應(yīng)模型 二、固定效應(yīng)模型 三、隨機(jī)效應(yīng)模型 四、雙向效應(yīng)模型,a,41,固定效應(yīng)模型形式同樣與個體效應(yīng)模型相同,但是在 固定效應(yīng)模型中假定 為需要估計(jì)的固定參數(shù),它可以 與解釋變量之間存在相關(guān)性。 固定效應(yīng)模型意味著存在內(nèi)生解釋變量。在 隨 時間變化的情況下,固定效應(yīng)模型所得到的第j個解釋 變量的邊際效應(yīng)估計(jì)量同樣是一致的。然而,同
12、隨機(jī)效 應(yīng)模型相比,固定效應(yīng) 模型中存在參數(shù)過多和自由度損 失過多等問題。,二、固定效應(yīng)模型,a,42,第二節(jié) 面板數(shù)據(jù)的模型形式,一、個體效應(yīng)模型 二、固定效應(yīng)模型 三、隨機(jī)效應(yīng)模型 四、雙向效應(yīng)模型,a,43,對于隨機(jī)效應(yīng)模型,一般采用可行的廣義最小二乘法 (FGLS)對其進(jìn)行估計(jì),由于 被假定為隨機(jī)的,無須估 計(jì), 因此使用隨機(jī)效應(yīng)模型可以一次得到所有系數(shù)的估 計(jì)值從而進(jìn)行邊際分析。但是,如果隨機(jī)效應(yīng)模型選取 不恰當(dāng)所得到的參數(shù)估計(jì)值將是不一致的。,隨機(jī)效應(yīng)模型形式與個體效應(yīng)模型相同,在隨機(jī)效應(yīng) 模型中假定 是完全隨機(jī)的,即 與解釋變量無關(guān)。,三、隨機(jī)效應(yīng)模型,a,44,第二節(jié) 面板數(shù)據(jù)
13、的模型形式,一、個體效應(yīng)模型 二、固定效應(yīng)模型 三、隨機(jī)效應(yīng)模型 四、雙向效應(yīng)模型,a,45,雙向效應(yīng)模型(two-way-effects model)也可稱為雙因 素誤差模型,它將未觀測到的個體效應(yīng)和時間效應(yīng)引入 模型,是個體效應(yīng)模型的標(biāo)準(zhǔn)延伸。 這里t僅隨時間變化而不隨個體變化,表示所有未包 含在回歸模型中的發(fā)生在特定時期的影響,如地震對某 一時期企業(yè)生產(chǎn)的影響。,四、雙向效應(yīng)模型,a,46,雙向固定效應(yīng)模型(Two-way FE),對于短面板數(shù)據(jù),通常將時間效應(yīng)看做固定效應(yīng),如果個 體效應(yīng)模型中含有時間趨勢項(xiàng)或包含時間虛擬變量,則稱 之為雙向固定效應(yīng)模型。 (1)在固定效應(yīng)模型中引入時間
14、趨勢項(xiàng)t,它僅依時間而變化,而不依個體而變。 (2)對每個時期定義一個虛擬變量,然后把(T-1)個時間虛擬變量包括在回歸方程中(未包括的時間虛擬變量即為基期)。,a,47,第一節(jié) 面板數(shù)據(jù)的基本問題 第二節(jié) 面板數(shù)據(jù)的模型形式 第三節(jié) 面板數(shù)據(jù)模型的估計(jì)方法,a,48,第三節(jié) 面板數(shù)據(jù)模型的估計(jì)方法,一、混合最小二乘估計(jì) 二、固定效應(yīng)模型的估計(jì)方法 三、隨機(jī)效應(yīng)模型的估計(jì)方法,a,49,一、混合最小二乘估計(jì)(Pooled OLS),假定所有個體都擁有完全一樣的回歸方程: 其中,xit不包括常數(shù)項(xiàng),這樣,就可以直接把所有數(shù)據(jù) 放在一起,像對待橫截面數(shù)據(jù)那樣進(jìn)行OLS回歸,故被 稱為“混合回歸”(
15、pooled OLS)。,a,50,人均消費(fèi)對人均可支配收入的彈性系數(shù)是0.9694。,人均消費(fèi)對人均可支配收入的邊際系數(shù)是0.9694 CPit /IPit,對案例1人均消費(fèi)CP與收入IP的面板數(shù)據(jù)進(jìn)行混合估計(jì):,a,51,注意:,1.由于面板數(shù)據(jù)的特點(diǎn),雖然通常可以假設(shè)不同個體之 間的擾動項(xiàng)相互獨(dú)立,但同一個體在不同時期的擾動項(xiàng) 之間往往存在自相關(guān)。此時,對標(biāo)準(zhǔn)差的估計(jì)應(yīng)該使用 聚類穩(wěn)健的標(biāo)準(zhǔn)差(cluster-robust standard error),而所 謂聚類就是由每個個體不同時期的所有觀測值所組成。 同一聚類(個體)的觀測值允許存在相關(guān)性,而不同聚 類(個體)的觀測值則不相關(guān)。
16、,a,52,注意:,2.混合回歸的基本假設(shè)是不存在個體效應(yīng)。對于這個假 設(shè)必須進(jìn)行統(tǒng)計(jì)檢驗(yàn)。由于個體效應(yīng)以兩種不同的形態(tài) 存在(即隨機(jī)效應(yīng)與固定效應(yīng)),因此需要分別對其進(jìn) 行檢驗(yàn)。,a,53,第三節(jié) 面板數(shù)據(jù)模型的估計(jì)方法,一、混合最小二乘估計(jì) 二、固定效應(yīng)模型的估計(jì)方法 三、隨機(jī)效應(yīng)模型的估計(jì)方法,a,54,二、固定效應(yīng)模型的估計(jì)方法,對于固定效應(yīng)模型: 由于 被假定為需要估計(jì)的固定參數(shù)并允許與解釋變 量相關(guān),因此,估計(jì)固定效應(yīng)模型中的系數(shù) 時便可以 考慮通過變換模型形式從而消除這一不可觀測到的個體 效應(yīng)。,a,55,二、固定效應(yīng)模型的估計(jì)方法,(一)組內(nèi)估計(jì) 對于固定效應(yīng)模型,給定第i個個
17、體,將方程 兩邊對時間取平均可得 用原模型減去平均后的方程,可得其離差形式:,a,56,二、固定效應(yīng)模型的估計(jì)方法,定義 則 由于上式中已將 消去,故只要 與 不相關(guān),則可 以用OLS一致地估計(jì) ,稱為“固定效應(yīng)估計(jì)量” (Fixed Effects Estimator),記為 。由于其主要使用了 每個個體的組內(nèi)離差信息,故也稱為“組內(nèi)估計(jì)量” (within estimator)。,a,57,注意:,即使個體特征 與解釋變量 相關(guān),只要使用組 內(nèi)估計(jì)量,就可以得到一致估計(jì),但在作離差轉(zhuǎn)換的過 程中, 也被消掉了,故無法估計(jì) 。即 無法估計(jì) 不隨時間而變的變量的影響。,a,58,注意:,另外,
18、為了保證 與 不相關(guān),則要 求第i個觀測值滿足嚴(yán)格外生性,即 , 因?yàn)?中包含了所有 的信息。換言之,擾 動項(xiàng)必須與各期的解釋變量均不相關(guān)(而不僅僅是當(dāng)期 的解釋變量),這是一個比較強(qiáng)的假定。,a,59,二、固定效應(yīng)模型的估計(jì)方法,(二)最小二乘虛擬變量模型(LSDV) 對于固定效應(yīng)模型: 在方程中引入(n-1)個虛擬變量(如果沒有截距項(xiàng),則 引入n個虛擬變量)來代表不同的個體,則可以得到與 上述離差模型同樣的結(jié)果,稱為“最小二乘虛擬變量模 型”(Least Square Dummy Variable Model)。,a,60,虛擬變量回歸的特點(diǎn),使用LSDV方法所給出的估計(jì)值,與我們用組內(nèi)估
19、計(jì)方法得到的估計(jì)值恰好一樣,而且標(biāo)準(zhǔn)誤和其他主要統(tǒng)計(jì)量也是一樣。因此,固定效應(yīng)估計(jì)量可以從虛擬變量回歸得到。 從LSDV方法算出的可決系數(shù)的值通常都比較高,這是因?yàn)槲覀儗γ恳粰M截面單位都包含了一個虛擬變量,以致能解釋數(shù)據(jù)中的變異的大部分。,a,61,a,62,從結(jié)果看,北京、上海、浙江是自發(fā)消費(fèi)(消費(fèi)函數(shù)截距)最大的3個地區(qū)。,a,63,注意:,使用LSDV方法雖然可以得到對個體異質(zhì)性 的 估計(jì),但是會損失很大的自由度,并在估計(jì)(n-1)個額外 的參數(shù)時,大量的虛擬變量會加劇回歸方程的多重共線 性問題,也不能估計(jì)非時變(time-constant)變量效應(yīng)。 此外,LSDV方法也不能解決內(nèi)生性
20、問題。,a,64,LSDV的估計(jì)效果,Islam(2000)運(yùn)用蒙特卡羅模擬研究了一些關(guān)于經(jīng)濟(jì)增長收斂方面的面板數(shù)據(jù)估計(jì)。研究發(fā)現(xiàn),如果以小樣本偏差和預(yù)測誤差的標(biāo)準(zhǔn)方差來判斷的話,LSDV估計(jì)在小樣本上的估計(jì)結(jié)果最好,其估計(jì)效果甚至比GMM估計(jì)和工具變量(IV)估計(jì)都更好。,a,65,Islam (2000)對此提供的一種理論解釋是,GMM和IV估計(jì)在小樣本上估計(jì)效果不好的原因是因?yàn)?,這兩種方法的優(yōu)點(diǎn)都依賴于回歸估計(jì)中所能選擇到的最優(yōu)權(quán)重矩陣,而這一權(quán)重在回歸中可能會收到數(shù)據(jù)噪聲。,LSDV的估計(jì)效果,a,66,二、固定效應(yīng)模型的估計(jì)方法,(三)一階差分法 對于固定效應(yīng)模型,給定第i個個體,將
21、方程 兩邊進(jìn)行一階差分,以消去個體效應(yīng),得 對上述差分形式的方程使用OLS就可以得到“一階差分 估計(jì)量”,記為 。,a,67,組內(nèi)估計(jì)量與一階差分估計(jì)量,由于 不再出現(xiàn)在差分方程中,只要擾動項(xiàng)的一階差分 與解釋變量的一階差分 不相關(guān),則 是一致的。此一致性條件比保證 一致的嚴(yán)格外生 性假定更弱,這是 的主要優(yōu)點(diǎn)。,a,68,組內(nèi)估計(jì)量與一階差分估計(jì)量,組內(nèi)估計(jì)和一階差分都假設(shè)不可觀測的個體效應(yīng)與 解釋變量相關(guān),兩種估計(jì)方法在T=2時產(chǎn)生相同的估計(jì) 量和推斷。當(dāng)總體時期T2時,在 序列不相關(guān),獨(dú)立 同分布的情況下,組內(nèi)估計(jì)量 比一階差分估計(jì)量 更有效率。因此,在實(shí)踐上,主要使用 ,而較少用,a,
22、69,第三節(jié) 面板數(shù)據(jù)模型的估計(jì)方法,一、混合最小二乘估計(jì) 二、固定效應(yīng)模型的估計(jì)方法 三、隨機(jī)效應(yīng)模型的估計(jì)方法,a,70,三、隨機(jī)效應(yīng)模型的估計(jì)方法,對于回歸方程: 隨機(jī)效應(yīng)模型假定 與解釋變量 均不相關(guān),故 OLS是一致的。然而,由于擾動項(xiàng)由 組成,不是 球型擾動項(xiàng)(同方差、無自相關(guān)),因此,OLS不是最 有效率的。,a,71,由于 的存在,同一個體不同時期的擾動項(xiàng)之間存在自 相關(guān),,a,72,a,73,具體來說,用OLS來估計(jì)以下“廣義離差” (quasi-demeaned) 模型,,a,74,組間估計(jì)(Between Estimator),a,75,a,76,究竟該用固定效應(yīng)還是隨機(jī)
23、效應(yīng)模型?,當(dāng)我們在日常研究中選取模型形式時,不能確定未觀測到的個體效應(yīng)是否與解釋變量相關(guān),因而不能恰當(dāng)?shù)卦诠潭ㄐ?yīng)模型和隨機(jī)效應(yīng)模型之間進(jìn)行選取。錯誤選取模型類型,將影響我們的參數(shù)估計(jì)量等從而影響對具體問題的分析。在處理面板數(shù)據(jù)時,究竟該使用固定效應(yīng)模型還是隨機(jī)效應(yīng)模型是一個根本問題。,a,77,Hausman檢驗(yàn),原假設(shè)H0: 與 不相關(guān)(模型應(yīng)設(shè)定為隨機(jī)效應(yīng)) 備擇假設(shè)H1: 與 相關(guān)(模型設(shè)定為固定效應(yīng)) Hausman檢驗(yàn)統(tǒng)計(jì)量:,a,78,固定效應(yīng)模型與隨機(jī)效應(yīng)模型哪個更好一些?,隨機(jī)效應(yīng)模型的好處是節(jié)省自由度。對于從時間和截面兩方面看都存在較大變化的數(shù)據(jù),隨機(jī)效應(yīng)模型能明確地描述出誤差來源的特征。 固定效應(yīng)模型的好處是,很容易分析任意截面數(shù)據(jù)所對應(yīng)的應(yīng)變量與全部截面數(shù)據(jù)對應(yīng)的因變量均值的差異程度。,a,79,Wooldridge(2000),在實(shí)際應(yīng)用時,是選擇固定效應(yīng)模型還是選擇隨機(jī)效應(yīng)模型?一般的經(jīng)驗(yàn)的做法是,如果研究者預(yù)期建立面板數(shù)據(jù)模型推斷樣本空間的經(jīng)濟(jì)關(guān)系,則模型設(shè)定為固定效應(yīng)模型會更合理一些。否則,如果研究樣本是從總體隨機(jī)抽樣得到的,并且預(yù)期利用模
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 甘蔗產(chǎn)業(yè)環(huán)境影響因素與生態(tài)效益評估
- 山東省濟(jì)寧市田家炳中學(xué)2024年八上物理期末綜合測試試題含解析
- 陜西省岐山縣聯(lián)考2025屆九年級化學(xué)第一學(xué)期期末綜合測試模擬試題含解析
- 草種種植與生態(tài)旅游合作合同
- 大數(shù)據(jù)產(chǎn)業(yè)在各行業(yè)的實(shí)際應(yīng)用與前景預(yù)測
- 網(wǎng)絡(luò)信息安全領(lǐng)域未來布局
- 游戲關(guān)卡深度設(shè)計(jì)與玩家體驗(yàn)優(yōu)化研究
- 2025至2030國內(nèi)抗氧化食品行業(yè)項(xiàng)目調(diào)研及市場前景預(yù)測評估報告
- 2025至2030中國自助點(diǎn)菜亭行業(yè)產(chǎn)業(yè)運(yùn)行態(tài)勢及投資規(guī)劃深度研究報告
- 2025至2030中國自動沉降分析儀行業(yè)發(fā)展?fàn)顩r及投資潛力研究報告
- 異位妊娠的課件
- 血管內(nèi)超聲IVUS簡介
- DL∕T 2528-2022 電力儲能基本術(shù)語
- 上海2024年上海市教育評估院招聘筆試上岸歷年典型考題與考點(diǎn)剖析附帶答案詳解
- 渣土清運(yùn)綜合項(xiàng)目施工組織設(shè)計(jì)
- 蘇教版八年級生物下冊期末試卷及答案【蘇教版】
- 書面檢查材料(通用6篇)
- 傳感器與機(jī)器視覺 課件 第六章 機(jī)器視覺
- 2019疏浚工程預(yù)算定額
- RFC2326(中文版+英文版+可鏈接目錄)-RTSP
- 2023八年級歷史下冊第六單元科技文化與社會生活第18課科技文化成就說課稿新人教版
評論
0/150
提交評論