面板數(shù)據(jù)分析方法.ppt

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