面板數(shù)據(jù)模型計量經(jīng)濟學PPT教學課件.ppt

第九章面板數(shù)據(jù)模型,1,第一節(jié)面板數(shù)據(jù)第二節(jié)面板數(shù)據(jù)回歸模型概述第三節(jié)混合回歸模型第四節(jié)變截距回歸模型第五節(jié)變系數(shù)回歸模型第六節(jié)效應檢驗與模型形式設定檢驗第七節(jié)面板數(shù)據(jù)的單位根檢驗和協(xié)整檢驗第八節(jié)案例分析,2,面板數(shù)據(jù)（PanelData）：也叫平行數(shù)據(jù)，指某一變量關于橫截面和時間兩個維度的數(shù)據(jù)，記為xit，其中，表示N個不同的對象（如國家、省、縣、行業(yè)、企業(yè)、個人）,，表示T個觀測期。,第一節(jié)面板數(shù)據(jù),3,平衡面板數(shù)據(jù),4,非平衡面板數(shù)據(jù),5,擴展的面板模型,1.偽面板模型：,如果按照某種屬性(例如，年齡、職業(yè)和身份等)將各期調查對象分成不同的群；對于各個觀測期，選擇各群內(nèi)觀測數(shù)據(jù)的均值(中位數(shù)或分位數(shù))，即可構造以群為個體單位的面板數(shù)據(jù)。我們把這種以群為個體而構造的人工面板數(shù)據(jù)為偽面板數(shù)據(jù)(PseudoPanelData)。,6,2.輪換面板模型:,同一個個體可能不愿被一次又一次的被回訪，為了保持調查中個體數(shù)目相同，在第二期調查中退出的部分個體，被相同數(shù)目的新的個體所替代，這種允許研究者檢驗“抽樣時間”偏倚效應（初次采訪和隨后的采訪之間的回答有顯著的改變）的存在性叫輪換面板。對于輪換面板，每批加到面板的新個體組提供了檢驗抽樣時間偏倚效應的方法。,7,3.空間面板模型:,當考慮國家、地區(qū)、州、縣等相關截面數(shù)據(jù)時，這些總量個體可能表現(xiàn)出必須處理的截面相關性?，F(xiàn)在有大量運用空間數(shù)據(jù)的文獻處理這種相關性。這種空間相依模型在區(qū)域科學和城市經(jīng)濟學中比較普遍。具體來說，這些模型使用經(jīng)濟距離測度設定了面板數(shù)據(jù)的空間自相關性和空間結構（空間異質性）。,8,4.計數(shù)面板模型:,被解釋變量是計數(shù)面板數(shù)據(jù)的例子很多。例如，一段時間內(nèi)一家公司的竟標次數(shù)、一個人去看醫(yī)生的次數(shù)、每天吸煙者的數(shù)量及一個研發(fā)機構登記專利的數(shù)目。雖然可以運用傳統(tǒng)面板回歸模型對計數(shù)面板數(shù)據(jù)建模，但鑒于被解釋變量具有0及非負離散取值的特征，運用泊松面板回歸模型建模更為合適。,9,第二節(jié)面板數(shù)據(jù)回歸模型概述,一、面板數(shù)據(jù)回歸模型的一般形式其中，i=1,2,N表示個N個體；t=1,2,T表示T個時期；yit為被解釋變量,表示第i個個體在t時期的觀測值；xkit是解釋變量,表示第k個解釋變量對于個體i在時期t的觀測值；是待估參數(shù)；uit是隨機干擾項。,10,11,12,二、面板數(shù)據(jù)回歸模型的分類,根據(jù)對截距項和解釋變量系數(shù)的不同假設，面板數(shù)據(jù)回歸模型常用：混合回歸模型、變截距回歸模型和變系數(shù)回歸模型3種類型。,13,混合回歸模型的模型形式為,第三節(jié)混合回歸模型,從截面上看，不同個體之間不存在顯著性差異。,14,一、混合回歸模型假設假設1：隨機干擾項向量U的期望為零向量。假設2：不同個體隨機干擾項之間相互獨立。假設3：隨機誤差項方差為常數(shù)。假設4：隨機誤差項與解釋變量相互獨立。假設5：解釋變量之間不存在多重共線性。假設6：隨機誤差項向量服從正態(tài)分布，即,15,二、混合回歸模型參數(shù)估計混合回歸模型與一般的回歸模型無本質區(qū)別，只要模型滿足假設16，可用OLS法估計參數(shù)，且估計量是線性、無偏、有效和一致的。,16,若將假設3的同方差弱化為存在異方差，即,則混合回歸模型的無偏有效估計量為,17,未知參數(shù)有一致估計為,是第i個個體的回歸模型的OLS回歸殘差,18,三、混合回歸模型估計的Eviews操作,19,第四節(jié)變截距回歸模型,變截距模型是面板數(shù)據(jù)模型中最常見的一種形式。該模型允許個體成員存在個體影響，并用截距項的差別來說明。截距項反應的是個體影響。如果個體影響是非隨機的常量，該模型被稱為個體固定效應變截距模型；如果個體影響是隨機的，該模型被稱為隨機效應變截距模型。,20,假定在截面?zhèn)€體成員上截距項不同，而模型的解釋變量系數(shù)是相同的。,變截距回歸模型的模型形式為,需要估計的參數(shù)個數(shù)：,N+K個,21,一、固定效應變截距回歸模型,固定效應變截距回歸模型的模型形式為,最小二乘虛擬變量模型,22,固定效應變截距回歸模型估計（個體）,如果隨機干擾項、解釋變量滿足基本假定，則利用普通最小二乘法可以得到模型參數(shù)的無偏、有效一致估計量。,（1）最小二乘虛擬變量（LSDV）估計,23,如果隨機干擾項不滿足同方差或相互獨立的基本假定，則需要利用廣義最小二乘法（GLS）對模型進行估計。,（2）固定效應變截距模型的廣義最小二乘估計,主要考慮4種基本的方差結構：個體成員截面異方差、時期異方差、同期相關協(xié)方差和時期間相關協(xié)方差。,24,如果隨機干擾項滿足同方差且同期不相關，但隨機干擾項與解釋變量相關，這時，無論是OLS估計量還是GLS估計量都是有偏非一致估計量，此時需要采用二階段最小二乘法（2SLS）對模型進行估計。,（3）固定效應變截距模型的二階段最小二乘估計,25,二、隨機效應變截距回歸模型（個體）,26,模型進一步假設,27,模型存在的問題：同一個體成員、不同時期的隨機干擾項之間存在一定的相關性。,普通OLS估計雖然仍是無偏和一致估計，但其不再有效估計，因此，一般用廣義最小二乘法（GLS）對隨機效應模型進行估計。,方差成分模型,方差成分GLS法,28,隨機效應變截距模型的估計,EViews按下列步驟估計隨機效應變截距模型（個體）,29,第五節(jié)變系數(shù)回歸模型,前面所介紹的變截距模型中，橫截面成員的個體影響是用變化的截距來反映的，即用變化的截距來反映模型中忽略的反映個體差異的變量的影響。然而現(xiàn)實中變化的經(jīng)濟結構或不同的社會經(jīng)濟背景等因素有時會導致反映經(jīng)濟結構的參數(shù)隨著橫截面?zhèn)€體的變化而變化。因此，當現(xiàn)實數(shù)據(jù)不支持變截距模型時，便需要考慮這種系數(shù)隨橫截面?zhèn)€體的變化而改變的變系數(shù)模型。,30,這種情形意味著模型在截面上既存在個體影響，又存在結構變化。我們又稱該模型為無約束回歸模型。,變系數(shù)模型假定在截面?zhèn)€體成員上截距項和模型的解釋變量系數(shù)都不同。,需要估計的參數(shù)個數(shù)：,N(K+1)個,31,EViews按下列步驟估計變系數(shù)模型：,32,第六節(jié)效應檢驗與模型形式設定檢驗,建立面板數(shù)據(jù)模型前的首要任務是確定被解釋變量與截距項和系數(shù)的關系，截距項是否相同、系數(shù)是否一致，是固定效應還是隨機效應模型，從而避免模型設定的偏差，改進參數(shù)估計的有效性。,33,一、Hausman檢驗在實際應用中，究竟是采用固定效應模型還是采用隨機效應模型，我們可以進行模型設定檢驗。,豪斯曼Hausman（1978）提出了一種嚴格的統(tǒng)計檢驗方法Hausman檢驗。,34,固定效應模型LSDV估計量無偏；GLS估計量有偏隨機效應模型LSDV和GLS估計量都無偏，但LSDV估計量有較大方差固定效應模型LSDV估計量和GLS估計量的估計結果有較大的差異隨機效應模型LSDV估計量和GLS估計量的估計結果就比較接近,Hausman檢驗的原理,35,Hausman檢驗的原假設與被擇假設,H0:個體隨機效應回歸模型H1:個體固定效應回歸模型,設b，分別為回歸系數(shù)的LSDV估計向量，GLS估計向量。,如果真實模型是個體隨機效應回歸模型，那么b和二者差異應該比較小。如果真實模型是個體固定效應回歸模型，那么b和二者差異應該比較大。,36,Hausman證明在原假設下，統(tǒng)計量W服從自由度為K（模型中解釋變量的個數(shù)）的分布，即,構造Hausman檢驗的W統(tǒng)計量,為之差的方差，即,37,為了實現(xiàn)Hausman檢驗，必須首先估計一個隨機效應模型。然后，選擇View/Fixed/RandomEffectsTesting/CorrelatedRandomEffects-HausmanTest，EViews將自動估計相應的固定效應模型，計算檢驗統(tǒng)計量，顯示檢驗結果和輔助回歸結果。,Hausman檢驗的EViews操作,38,二、模型形式設定檢驗,如果模型設定不正確，參數(shù)估計將造成較大的偏差。所以，在建立面板數(shù)據(jù)模型的第一步便是檢驗樣本數(shù)據(jù)究竟屬于混合回歸模型、變截距回歸模型還是變系數(shù)回歸模型形式，從而避免模型設定的偏誤。,39,經(jīng)常使用的檢驗是協(xié)方差分析檢驗(F檢驗)，主要分兩步進行檢驗：,第一步檢驗：是否混合模型,H02：混合回歸模型（受約束）,H01：變截距回歸模型（受約束）,第二步檢驗：是否變截距回歸模型,40,如果接受假設H02，則可以認為模型為混合回歸模型，無需進行下一步的檢驗。如果拒絕假設H02，則需檢驗假設H01。,第一步檢驗：是否混合模型,H02：混合回歸模型（受約束）,41,如果接受假設H01，則可以認為模型為變截距回歸模型。如果拒絕假設H01，則認為模型為變系數(shù)回歸模型。,H01：變截距回歸模型（受約束）,第二步檢驗：是否變截距回歸模型,42,下面介紹假設檢驗的F統(tǒng)計量的計算方法。首先計算變系數(shù)回歸模型的殘差平方和，記為S0；變截距回歸模型的殘差平方和記為S1；混合回歸模型的殘差平方和記為S2。,構造并計算統(tǒng)計量,43,例9-3,44,第七節(jié)面板數(shù)據(jù)的單位根檢驗和協(xié)整檢驗,一、面板數(shù)據(jù)的單位根檢驗（一）面板數(shù)據(jù)的單位根檢驗分類（二）面板數(shù)據(jù)的單位根檢驗應用舉例二、面板數(shù)據(jù)的協(xié)整檢驗（一）檢驗方法分類（二）面板數(shù)據(jù)協(xié)整檢驗的應用舉例,45,一般情況下可以將面板數(shù)據(jù)的單位根檢驗劃分為兩大類：一類為相同根情形下的單位根檢驗，檢驗方法包括LLC（Levin-Lin-Chu）檢驗、Breitung檢驗；另一類為不同根情形下的單位根檢驗，檢驗方法包括Im-Pesaran-Skin檢驗、Fisher-ADF檢驗和Fisher-PP檢驗。,一、面板數(shù)據(jù)的單位根檢驗,（一）面板數(shù)據(jù)的單位根檢驗分類,46,（二）面板數(shù)據(jù)的單位根檢驗應用舉例,47,面板數(shù)據(jù)的協(xié)整檢驗方法可以分為兩大類，一類是建立在EngleandGranger二步法檢驗基礎上的面板協(xié)整檢驗，具體方法主要有Pedroni檢驗和Kao檢驗；另一類是建立在Johansen協(xié)整檢驗基礎上的面板協(xié)整檢驗。,二、面板數(shù)據(jù)的協(xié)整檢驗,（一）檢驗方法分類,48,1、Pedroni檢驗Pedroni提出了基于EngleandGranger二步法的面