面板數據回歸分析.ppt

第7章,面板數據回歸分析,面板數據回歸分析,7.1 面板數據模型 7.1.1 面板數據 7.1.2 面板數據模型 7.2 固定效應模型估計 7.2.1 固定效應模型估計 7.2.2 用EViews7.2估計固定效應模型,面板數據回歸分析,7.3 隨機效應模型估計 7.3.1 隨機效應模型估計 7.3.2 用EViews7.2估計隨機效應模型 7.4 固定效應還是隨機效應？ Hausman檢驗 7.4.1 Hausman檢驗原理 7.4.2用EViews7.2進行Hausman檢驗 重要概念,面板數據回歸分析,7.1 面板數據模型 7.1.1 面板數據 7.1.2 面板數據模型,7.1 面板數據模型,7.1.1 面板數據 面板數據有橫截面和時間兩個維度， 個橫截面?zhèn)€體、 個觀測時期，樣本個體表示為 ，若 遠大于 ，稱之為短面板，本書只討論短面板。,7.1 面板數據模型,7.1.1 面板數據 EViews中存放面板數據： 將Excel中數據導入EViews，排列方式為無結構/不按日期的數據（Unstructured/Undated）,7.1 面板數據模型,7.1.1 面板數據 EViews中存放面板數據： 點擊工作文件界面上的按鈕Range， 在彈出的Workfile Structure對話框的Workfile type欄內選擇Dated Panel，,7.1 面板數據模型,7.1.1 面板數據 EViews中存放面板數據： 并在Panel identifier series（面板識別變量）下的第一欄Cross section ID series（橫截面識別變量）內輸入變量名dq（地區(qū)），在第二欄Date series（日期識別變量）內輸入變量名year： 點擊OK，數據按面板數據排列:,7.1 面板數據模型,7.1.1 面板數據 EViews中存放面板數據：,7.1 面板數據模型,7.1.2 面板數據模型 為個體的異質性，不可觀測 假設1：,7.1 面板數據模型,7.1.2 面板數據模型 假設 2：,7.1 面板數據模型,7.1.2 面板數據模型,面板數據模型,不可觀測的個體異質性 例子7.1 經濟發(fā)展與污水排放 例子7.2 教育的回報 由于不可觀測的地區(qū)和個人能力帶來的內生性，使上述估計不一致。,面板數據模型,固定效應模型和隨機效應模型 定義7.1 固定效應和隨機效應 上述模型中的不可觀測變量 （1）與回歸自變量相關，稱之為固定效應模型； （2）與回歸自變量不相關，稱之為隨機效應模型。 固定效應將 消掉，隨機效應則將其放入誤差項，然后探索方差結構。,7.2 固定效應模型估計,7.2.1 固定效應模型估計 7.2.2 用EViews7.2估計固定效應模型,7.2 固定效應模型估計,7.2.1 固定效應模型估計 核心是消掉個體異質性變量 上述模型的OLS估計稱之為固定效應估計（Fixed effect）,7.2 固定效應模型估計,7.2.1 固定效應模型估計 例子7.1 經濟發(fā)展與污水排放 例子7.2 教育的回報 若采用普通的FE方法，教育變量會被消除掉，故不能被估計教育的回報。但若采用教育變量和年份虛擬變量相乘的方法，則可以估計：,7.2 固定效應模型估計,7.2.1 固定效應模型估計 例子7.2 教育的回報 定義虛擬變量 此時相減不至于消去教育變量，但是此時 表示的是相對于1980年，教育對收入的影響大小。,7.2 固定效應模型估計,7.2.1 固定效應模型估計 FD估計（First Difference）： 其中， 如果變量取值不隨時間變化，差分后的模型在消去 的同時，也將該變量消去，對應的回歸系數無法估計。 FD估計導致變量變化減少，估計出參數方差較大，效率比FE低。,7.2 固定效應模型估計,7.2.2 用EViews7.2估計固定效應模型 例子7.1 的EViews操作： 在工作文件界面選中參與回歸的變量并以組打開，在文件表格界面點擊ProcMake Equation進入模型設定界面完成模型設定。,7.2 固定效應模型估計,7.2.2 用EViews7.2估計固定效應模型 例子7.1 的EViews操作： 點擊Panel Options選項，進入面板數據模型設定界 面。第一欄選擇固定效應（fixed），第二欄選擇 無時間異質性 變量（none），第三欄選擇GLS時 的權重（Cross-section weight）， 第四欄選擇協(xié)方差估計 方法（White cross-section）， 最后一欄選擇是否調整自由度,7.2 固定效應模型估計,7.2.2 用EViews7.2估計固定效應模型 例子7.1 的EViews操作： 完成選擇后點擊OK得出參數估計輸出結果:,7.2 固定效應模型估計,7.2.2 用EViews7.2估計固定效應模型 例子7.2 教育的回報 EViews操作： 為避免教育變量被消掉，采用前面介紹的虛擬變量與教育變量相乘作為新的自變量，并將不關心的不隨時間變化的自變量去掉（否則無法估計?。?，如種族變量 black，然后按上面的操作，最終輸出結果：,7.2 固定效應模型估計,7.2.2 用EViews7.2估計固定效應模型 例子7.2 教育的回報 EViews操作：,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 7.3.2 用EViews7.2估計隨機效應模型,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 隨機效應假設了 與模型自變量不相關，因此關心的問題不再是內生性，而是如何提高估計的有效性，即探索復合誤差項 的方差結構。,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 假設3：不可觀測異質性滿足 （1） 獨立； （2） 與 獨立， ； （3） 。,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 結論1：隨機效應模型復合誤差項的性質 如果面板數據模型的誤差項 和個體異質性 滿足假設1-假設3，則 滿足 （1）對任何的 和 ， 與 不相關； （2）對任何的 和 有 ；,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 上述模型不存在內生性，OLS估計有一致性，但是 不滿足不相關假設，OLS估計不是最優(yōu)估計，要獲得最優(yōu)估計，需要作變換 （習題7.6證明） 上述模型的OLS估計稱之為隨機效應模型估計（random effect）,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 隨機效應與固定效應估計相似， 固定效應處 隨機效應處,7.3 隨機效應模型估計,7.3.1 隨機效應模型估計 估計隨機效應，首先要估計 ，故先要估計 和 估計 和 的方法有三種： Swamy-Arora、Wallace-Hussain和Wansbeek-Kapteyn方法，常用第一種方法,7.3 隨機效應模型估計,7.3.2 用EViews7.2估計隨機效應模型 數據導入、數據結構轉換以及模型設定與固定效應模型估計一樣，不同的是在panel option的cross section中選Random，還有 和 的估計方法,7.3 隨機效應模型估計,7.3.2 用EViews7.2估計隨機效應模型 例子7.1 輸出結果：,7.3 隨機效應模型估計,7.3.2 用EViews7.2估計隨機效應模型 由于隨機效應模型不再消掉不隨時間變化的自變量，故這些解釋變量都可以在模型中保留下來。 例子7.2的EViews回歸結果,7.3 隨機效應模型估計,7.3.2 用EViews7.2估計隨機效應模型 例子7.2的EViews回歸結果,7.4 固定效應還是隨機效應？ Hausman檢驗,7.4.1 Hausman檢驗原理 7.4.2用EViews7.2進行Hausman檢驗,7.4 固定效應還是隨機效應？ Hausman檢驗,7.4.1 Hausman檢驗原理 比較隨機效應和固定效應下參數估計是否有差別，若差別顯著，則認為應采用固定效應（穩(wěn)健優(yōu)先）：若不顯著，則認為應采用隨機效應（效率優(yōu)先）。 Hausman檢驗構造的統(tǒng)計量只對斜率系數進行比較。,7.4 固定效應還是隨機效應？ Hausman檢驗,7.4.1 Hausman檢驗原理 假設三個斜率參數的固定效應估計和隨機效應估計分別為 和 可以對整體模型進行Hausman檢驗，如：用 、 、 構造 分布 也可對單個參數進行Hausman檢驗，如：,7.4 固定效應還是隨機效應？ Hausman檢驗,7.4.2 用EViews7.2進行Hausman檢驗 首先進行隨機效應模型估計，在估計結果界面進行相應的操作，在隨機效應估計結果界面點擊ViewFixed/Random Effects TestingCorrelated Random Effects-Hausman Test，彈出如下檢驗結果,7.4 固定效應還是隨機效應？ Hausman檢驗,7.4.2 用EViews7.2進行Hausman檢驗 Hausman檢驗需要對固定效應模型進行檢驗，因此不能包含不隨時間變化的自變量(除了個體異質性)。所以不能對例子7.2進行 Hausman檢驗。,重要概念,1. 橫截面上若干多個時期的觀測值形成面板數據。由于來自兩個維度，面板數據在增加樣本量的同時，也比單純的橫截面數據具有更為復雜的結構。 2. 板數據模型包含個體不可觀測異質性 ，并根據 與模型自變量的關系將模型分為固定效應模型和隨機效應模型。 3. 與自變量相關時，面板數據模型稱為固定效應模型。 并入誤差項會引起自變量的內生性，導致回歸系數的OLS估計不是一致估計。要估計固定效應模型，需要將 消掉，固定效應估計方法采用將模型變量減去組內均值的方法消掉 。,重要概念,與自變量不相關時，面板數據模型稱為隨機效應模型。 并入誤差項不會引起自變量的內生性，回歸系數的OLS估計不一致估計。隨機效應估計方法的核心，是利用復合誤差項的特殊結構，更加有效地估計回歸系數。隨機效應估計方法首先對模型