面板數(shù)據(jù)回歸分析.ppt

第7章,面板數(shù)據(jù)回歸分析,面板數(shù)據(jù)回歸分析,7.1 面板數(shù)據(jù)模型 7.1.1 面板數(shù)據(jù) 7.1.2 面板數(shù)據(jù)模型 7.2 固定效應(yīng)模型估計(jì) 7.2.1 固定效應(yīng)模型估計(jì) 7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型,面板數(shù)據(jù)回歸分析,7.3 隨機(jī)效應(yīng)模型估計(jì) 7.3.1 隨機(jī)效應(yīng)模型估計(jì) 7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn) 7.4.1 Hausman檢驗(yàn)原理 7.4.2用EViews7.2進(jìn)行Hausman檢驗(yàn) 重要概念,面板數(shù)據(jù)回歸分析,7.1 面板數(shù)據(jù)模型 7.1.1 面板數(shù)據(jù) 7.1.2 面板數(shù)據(jù)模型,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) 面板數(shù)據(jù)有橫截面和時(shí)間兩個(gè)維度， 個(gè)橫截面?zhèn)€體、 個(gè)觀測(cè)時(shí)期，樣本個(gè)體表示為 ，若 遠(yuǎn)大于 ，稱之為短面板，本書只討論短面板。,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)： 將Excel中數(shù)據(jù)導(dǎo)入EViews，排列方式為無(wú)結(jié)構(gòu)/不按日期的數(shù)據(jù)（Unstructured/Undated）,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)： 點(diǎn)擊工作文件界面上的按鈕Range， 在彈出的Workfile Structure對(duì)話框的Workfile type欄內(nèi)選擇Dated Panel，,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)： 并在Panel identifier series（面板識(shí)別變量）下的第一欄Cross section ID series（橫截面識(shí)別變量）內(nèi)輸入變量名dq（地區(qū)），在第二欄Date series（日期識(shí)別變量）內(nèi)輸入變量名year： 點(diǎn)擊OK，數(shù)據(jù)按面板數(shù)據(jù)排列:,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)：,7.1 面板數(shù)據(jù)模型,7.1.2 面板數(shù)據(jù)模型 為個(gè)體的異質(zhì)性，不可觀測(cè) 假設(shè)1：,7.1 面板數(shù)據(jù)模型,7.1.2 面板數(shù)據(jù)模型 假設(shè) 2：,7.1 面板數(shù)據(jù)模型,7.1.2 面板數(shù)據(jù)模型,面板數(shù)據(jù)模型,不可觀測(cè)的個(gè)體異質(zhì)性 例子7.1 經(jīng)濟(jì)發(fā)展與污水排放 例子7.2 教育的回報(bào) 由于不可觀測(cè)的地區(qū)和個(gè)人能力帶來(lái)的內(nèi)生性，使上述估計(jì)不一致。,面板數(shù)據(jù)模型,固定效應(yīng)模型和隨機(jī)效應(yīng)模型 定義7.1 固定效應(yīng)和隨機(jī)效應(yīng) 上述模型中的不可觀測(cè)變量 （1）與回歸自變量相關(guān)，稱之為固定效應(yīng)模型； （2）與回歸自變量不相關(guān)，稱之為隨機(jī)效應(yīng)模型。 固定效應(yīng)將 消掉，隨機(jī)效應(yīng)則將其放入誤差項(xiàng)，然后探索方差結(jié)構(gòu)。,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 核心是消掉個(gè)體異質(zhì)性變量 上述模型的OLS估計(jì)稱之為固定效應(yīng)估計(jì)（Fixed effect）,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 例子7.1 經(jīng)濟(jì)發(fā)展與污水排放 例子7.2 教育的回報(bào) 若采用普通的FE方法，教育變量會(huì)被消除掉，故不能被估計(jì)教育的回報(bào)。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(jì)：,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 例子7.2 教育的回報(bào) 定義虛擬變量 此時(shí)相減不至于消去教育變量，但是此時(shí) 表示的是相對(duì)于1980年，教育對(duì)收入的影響大小。,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) FD估計(jì)（First Difference）： 其中， 如果變量取值不隨時(shí)間變化，差分后的模型在消去 的同時(shí)，也將該變量消去，對(duì)應(yīng)的回歸系數(shù)無(wú)法估計(jì)。 FD估計(jì)導(dǎo)致變量變化減少，估計(jì)出參數(shù)方差較大，效率比FE低。,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)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(diǎn)擊ProcMake Equation進(jìn)入模型設(shè)定界面完成模型設(shè)定。,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.1 的EViews操作： 點(diǎn)擊Panel Options選項(xiàng)，進(jìn)入面板數(shù)據(jù)模型設(shè)定界 面。第一欄選擇固定效應(yīng)（fixed），第二欄選擇 無(wú)時(shí)間異質(zhì)性 變量（none），第三欄選擇GLS時(shí) 的權(quán)重（Cross-section weight）， 第四欄選擇協(xié)方差估計(jì) 方法（White cross-section）， 最后一欄選擇是否調(diào)整自由度,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.1 的EViews操作： 完成選擇后點(diǎn)擊OK得出參數(shù)估計(jì)輸出結(jié)果:,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.2 教育的回報(bào) 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(guān)心的不隨時(shí)間變化的自變量去掉（否則無(wú)法估計(jì)！），如種族變量 black，然后按上面的操作，最終輸出結(jié)果：,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.2 教育的回報(bào) EViews操作：,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 隨機(jī)效應(yīng)假設(shè)了 與模型自變量不相關(guān)，因此關(guān)心的問(wèn)題不再是內(nèi)生性，而是如何提高估計(jì)的有效性，即探索復(fù)合誤差項(xiàng) 的方差結(jié)構(gòu)。,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 假設(shè)3：不可觀測(cè)異質(zhì)性滿足 （1） 獨(dú)立； （2） 與 獨(dú)立， ； （3） 。,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 結(jié)論1：隨機(jī)效應(yīng)模型復(fù)合誤差項(xiàng)的性質(zhì) 如果面板數(shù)據(jù)模型的誤差項(xiàng) 和個(gè)體異質(zhì)性 滿足假設(shè)1-假設(shè)3，則 滿足 （1）對(duì)任何的 和 ， 與 不相關(guān)； （2）對(duì)任何的 和 有 ；,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 上述模型不存在內(nèi)生性，OLS估計(jì)有一致性，但是 不滿足不相關(guān)假設(shè)，OLS估計(jì)不是最優(yōu)估計(jì)，要獲得最優(yōu)估計(jì)，需要作變換 （習(xí)題7.6證明） 上述模型的OLS估計(jì)稱之為隨機(jī)效應(yīng)模型估計(jì)（random effect）,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 隨機(jī)效應(yīng)與固定效應(yīng)估計(jì)相似， 固定效應(yīng)處 隨機(jī)效應(yīng)處,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 估計(jì)隨機(jī)效應(yīng)，首先要估計(jì) ，故先要估計(jì) 和 估計(jì) 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(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 數(shù)據(jù)導(dǎo)入、數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換以及模型設(shè)定與固定效應(yīng)模型估計(jì)一樣，不同的是在panel option的cross section中選Random，還有 和 的估計(jì)方法,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 例子7.1 輸出結(jié)果：,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 由于隨機(jī)效應(yīng)模型不再消掉不隨時(shí)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(lái)。 例子7.2的EViews回歸結(jié)果,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 例子7.2的EViews回歸結(jié)果,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.1 Hausman檢驗(yàn)原理 7.4.2用EViews7.2進(jìn)行Hausman檢驗(yàn),7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.1 Hausman檢驗(yàn)原理 比較隨機(jī)效應(yīng)和固定效應(yīng)下參數(shù)估計(jì)是否有差別，若差別顯著，則認(rèn)為應(yīng)采用固定效應(yīng)（穩(wěn)健優(yōu)先）：若不顯著，則認(rèn)為應(yīng)采用隨機(jī)效應(yīng)（效率優(yōu)先）。 Hausman檢驗(yàn)構(gòu)造的統(tǒng)計(jì)量只對(duì)斜率系數(shù)進(jìn)行比較。,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.1 Hausman檢驗(yàn)原理 假設(shè)三個(gè)斜率參數(shù)的固定效應(yīng)估計(jì)和隨機(jī)效應(yīng)估計(jì)分別為 和 可以對(duì)整體模型進(jìn)行Hausman檢驗(yàn)，如：用 、 、 構(gòu)造 分布 也可對(duì)單個(gè)參數(shù)進(jìn)行Hausman檢驗(yàn)，如：,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.2 用EViews7.2進(jìn)行Hausman檢驗(yàn) 首先進(jìn)行隨機(jī)效應(yīng)模型估計(jì)，在估計(jì)結(jié)果界面進(jìn)行相應(yīng)的操作，在隨機(jī)效應(yīng)估計(jì)結(jié)果界面點(diǎn)擊ViewFixed/Random Effects TestingCorrelated Random Effects-Hausman Test，彈出如下檢驗(yàn)結(jié)果,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.2 用EViews7.2進(jìn)行Hausman檢驗(yàn) Hausman檢驗(yàn)需要對(duì)固定效應(yīng)模型進(jìn)行檢驗(yàn)，因此不能包含不隨時(shí)間變化的自變量(除了個(gè)體異質(zhì)性)。所以不能對(duì)例子7.2進(jìn)行 Hausman檢驗(yàn)。,重要概念,1. 橫截面上若干多個(gè)時(shí)期的觀測(cè)值形成面板數(shù)據(jù)。由于來(lái)自兩個(gè)維度，面板數(shù)據(jù)在增加樣本量的同時(shí)，也比單純的橫截面數(shù)據(jù)具有更為復(fù)雜的結(jié)構(gòu)。 2. 板數(shù)據(jù)模型包含個(gè)體不可觀測(cè)異質(zhì)性 ，并根據(jù) 與模型自變量的關(guān)系將模型分為固定效應(yīng)模型和隨機(jī)效應(yīng)模型。 3. 與自變量相關(guān)時(shí)，面板數(shù)據(jù)模型稱為固定效應(yīng)模型。 并入誤差項(xiàng)會(huì)引起自變量的內(nèi)生性，導(dǎo)致回歸系數(shù)的OLS估計(jì)不是一致估計(jì)。要估計(jì)固定效應(yīng)模型，需要將 消掉，固定效應(yīng)估計(jì)方法采用將模型變量減去組內(nèi)均值的方法消掉 。,重要概念,與自變量不相關(guān)時(shí)，面板數(shù)據(jù)模型稱為隨機(jī)效應(yīng)模型。 并入誤差項(xiàng)不會(huì)引起自變量的內(nèi)生性，回歸系數(shù)的OLS估計(jì)不一致估計(jì)。隨機(jī)效應(yīng)估計(jì)方法的核心，是利用復(fù)合誤差項(xiàng)的特殊結(jié)構(gòu)，更加有效地估計(jì)回歸系數(shù)。隨機(jī)效應(yīng)估計(jì)方法首先對(duì)模型