第7章-面板數(shù)據(jù)模型分析.ppt

面板數(shù)據(jù)模型的分析 第一節(jié)面板數(shù)據(jù)模型簡介第二節(jié)固定效應(yīng)模型及其估計方法第三節(jié)隨機(jī)效應(yīng)模型及其估計方法第四節(jié)模型設(shè)定的檢驗(yàn)第五節(jié)面板數(shù)據(jù)模型應(yīng)用實(shí)例 第一節(jié)面板數(shù)據(jù)模型簡介 一 面板數(shù)據(jù)和模型概述時間序列數(shù)據(jù)或截面數(shù)據(jù)都是一維數(shù)據(jù) 例如時間序列數(shù)據(jù)是變量按時間得到的數(shù)據(jù) 截面數(shù)據(jù)是變量在截面空間上的數(shù)據(jù) 面板數(shù)據(jù) paneldata 也稱時間序列截面數(shù)據(jù) timeseriesandcrosssectiondata 或混合數(shù)據(jù) pooldata 面板數(shù)據(jù)是同時在時間和截面空間上取得的二維數(shù)據(jù) 簡單地講 面板數(shù)據(jù)因同時含有時間序列數(shù)據(jù)和截面數(shù)據(jù) 所以其統(tǒng)計性質(zhì)既帶有時間序列的性質(zhì) 又包含一定的橫截面特點(diǎn) 因而 以往采用的計量模型和估計方法就需要有所調(diào)整 面板數(shù)據(jù)通常分為兩類 由個體調(diào)查數(shù)據(jù)得到的面板數(shù)據(jù)通常被稱為微觀面板 micropanels 微觀面板數(shù)據(jù)的特點(diǎn)是個體數(shù)N較大 通常是幾百或幾千個 而時期數(shù)T較短 最少是2年 最長不超過10年或20年 由一段時期內(nèi)不同國家的數(shù)據(jù)得到的面板數(shù)據(jù)通常被稱為宏觀面板 macropanels 這類數(shù)據(jù)一般具有適度規(guī)模的個體N 從7到100或200不等 如七國集團(tuán) OECD 歐盟 發(fā)達(dá)國家或發(fā)展中國家 時期數(shù)T一般在20年到60年之間 對于宏觀面板 當(dāng)時間序列較長時需要考慮數(shù)據(jù)的非平穩(wěn)問題 如單位根 結(jié)構(gòu)突變以及協(xié)整等 而微觀面板不需要處理非平穩(wěn)問題 特別是每個家庭或個體的時期數(shù)T較短時 面板數(shù)據(jù)的優(yōu)點(diǎn) 可以控制個體異質(zhì)性可以克服未觀測到的異質(zhì)性 unobservedheterogeneity 這種遺漏變量問題 這個異質(zhì)性是指在面板數(shù)據(jù)樣本期間內(nèi)取值恒定的某些遺漏變量 2 面板數(shù)據(jù)模型容易避免多重共線性問題面板數(shù)據(jù)具有更多的信息 面板數(shù)據(jù)具有更大的變異 面板數(shù)據(jù)的變量間更弱的共線性 面板數(shù)據(jù)模型具有更大的自由度以及更高的效率 3 與純橫截面數(shù)據(jù)或時間序列數(shù)據(jù)相比 面板數(shù)據(jù)模型允許構(gòu)建并檢驗(yàn)更復(fù)雜的行為模型 二 一般面板數(shù)據(jù)模型介紹 用面板數(shù)據(jù)建立的模型通常有3種 即混合估計模型 固定效應(yīng)模型和隨機(jī)效應(yīng)模型 混合 pool 估計模型 如果從時間上看 不同個體之間不存在顯著性差異 從截面上看 不同截面之間也不存在顯著性差異 那么就可以直接把面板數(shù)據(jù)混合在一起用普通最小二乘法 OLS 估計參數(shù) 幾點(diǎn)說明 未觀測到的異質(zhì)性可能不會隨著樣本的變化而變化 也可能隨著樣本的變化而發(fā)生隨機(jī)的變化 不同截距的數(shù)據(jù)生成過程就是這未觀測到的差別不隨樣本而變化的數(shù)據(jù)生成過程 誤差成份 errorcomponents 數(shù)據(jù)生成過程就是這未觀測到的差別隨樣本而隨機(jī)變化的數(shù)據(jù)生成過程 在不同截距的數(shù)據(jù)生成過程中 各自不同的截距都是參數(shù) 誤差成份模型有兩種情況 一是隨機(jī)的個體效應(yīng)與解釋變量無關(guān) 一種是隨機(jī)的個體效應(yīng)與解釋變量相關(guān) 所謂雙因素效應(yīng)模型 就是在模型中既考慮了不可觀測非時變的 個體 異質(zhì)效應(yīng) 又考慮了不可觀測時變 個體 同質(zhì)效應(yīng)的模型 類似地 雙因素效應(yīng)模型也有固定效應(yīng)和隨機(jī)效應(yīng)之分 如果設(shè)定個體效應(yīng) i和時間效應(yīng) t是確定的 就是雙因素固定效應(yīng)模型 如果設(shè)定個體效應(yīng) i和時間效應(yīng) t是隨機(jī)的 就是雙因素隨機(jī)效應(yīng)模型 在實(shí)際應(yīng)用時 模型的正確設(shè)定必須進(jìn)行相關(guān)的統(tǒng)計檢驗(yàn) 第二節(jié)固定效應(yīng)模型及其估計方法 第三節(jié)隨機(jī)效應(yīng)模型及其估計方法 一致估計量要求 當(dāng)樣本量趨近無窮大時 估計量同時趨近真實(shí)值 在面板數(shù)據(jù)模型中這就要求N和T分別趨向無窮大 這有時有問題 如例1中 N是固定的 華東六省一市是不能改變的 因此當(dāng)樣本的N和T都比較小時 可以直接采用固定效應(yīng)模型 第四節(jié)模型設(shè)定的檢驗(yàn) 一 協(xié)方差分析檢驗(yàn)二 固定效應(yīng)和隨機(jī)效應(yīng)的檢驗(yàn)三 面板單位根和協(xié)整檢驗(yàn) 模型 1 常用的有如下三種情形 情形1 不變系數(shù)模型 情形2 變截距模型 情形3 變參數(shù)模型 對于情形1 在橫截面上無個體影響 無結(jié)構(gòu)變化 則普通最小二乘法估計給出了 和 的一致有效估計 相當(dāng)于將多個時期的截面數(shù)據(jù)放在一起作為樣本數(shù)據(jù) 對于情形2 稱為變截距模型 在橫截面上個體影響不同 個體影響表現(xiàn)為模型中被忽略的反映個體差異的變量的影響 又分為固定影響和隨機(jī)影響兩種情況 對于情形3 稱為變系數(shù)模型 除了存在個體影響外 在橫截面上還存在變化的經(jīng)濟(jì)結(jié)構(gòu) 因而結(jié)構(gòu)參數(shù)在不同橫截面上是不同的 一協(xié)方差分析檢驗(yàn) 可混合性檢驗(yàn) 經(jīng)常使用的檢驗(yàn)是協(xié)方差分析檢驗(yàn) 主要檢驗(yàn)如下兩個假設(shè) H1 H2 可見如果接受假設(shè)H2則可以認(rèn)為樣本數(shù)據(jù)符合情形1 即模型為不變參數(shù)模型 無需進(jìn)行進(jìn)一步的檢驗(yàn) 如果拒絕假設(shè)H2 則需檢驗(yàn)假設(shè)H1 如果接受H1 則認(rèn)為樣本數(shù)據(jù)符合情形2 即模型為變截距模型 反之拒絕H1 則認(rèn)為樣本數(shù)據(jù)符合情形3 即模型為變參數(shù)模型 下面介紹假設(shè)檢驗(yàn)的F統(tǒng)計量的計算方法 首先計算情形3 變參數(shù)模型 的殘差平方和 記為S1 情形2 變截距模型 的殘差平方和記為S2 情形1 不變參數(shù)模型 的殘差平方和記為S3 計算F2統(tǒng)計量 10 2 7 在假設(shè)H2下檢驗(yàn)統(tǒng)計量F2服從相應(yīng)自由度下的F分布 若計算所得到的統(tǒng)計量F2的值不小于給定置信度下的相應(yīng)臨界值 則拒絕假設(shè)H2 繼續(xù)檢驗(yàn)假設(shè)H1 反之 接受H2則認(rèn)為樣本數(shù)據(jù)符合模型情形1 即不變參數(shù)模型 在假設(shè)H1下檢驗(yàn)統(tǒng)計量F1也服從相應(yīng)自由度下的F分布 即 10 2 8 若計算所得到的統(tǒng)計量F1的值不小于給定置信度下的相應(yīng)臨界值 則拒絕假設(shè)H1 如果接受H1 則認(rèn)為樣本數(shù)據(jù)符合情形2 即模型為變截距模型 反之拒絕H1 則認(rèn)為樣本數(shù)據(jù)符合情形3 即模型為變參數(shù)模型 二Hausman檢驗(yàn) Hausman 1978 等學(xué)者認(rèn)為應(yīng)該總是把個體影響處理為隨機(jī)的 即隨機(jī)影響模型優(yōu)于固定影響模型 其主要原因?yàn)?固定影響模型將個體影響設(shè)定為跨截面變化的常數(shù)使得分析過于簡單 并且從實(shí)踐的角度看 在估計固定影響模型時將損失較多的自由度 特別是對 寬而短 的面板數(shù)據(jù) 但相對于固定影響模型 隨機(jī)影響模型也存在明顯的不足 在隨機(jī)影響模型中是假設(shè)隨機(jī)變化的個體影響與模型中的解釋變量不相關(guān) 而在實(shí)際建模過程中這一假設(shè)很有可能由于模型中省略了一些變量而不滿足 從而導(dǎo)致估計結(jié)果出現(xiàn)不一致性 幾點(diǎn)說明 原假設(shè)成立時 則隨機(jī)效應(yīng)比固定效應(yīng)更有效 如果正確的模型是第一個或第二個誤差成份數(shù)據(jù)生成過程 那么Hausman檢驗(yàn)?zāi)芎芎玫貙⒍邊^(qū)別開來 但存在一種可能 解釋變量中存在測量誤差 這時固定效應(yīng)和隨機(jī)效應(yīng)估計量都是不一致的 但二者導(dǎo)致的偏誤有所不同 通常固定效應(yīng)估計量的測量誤差偏誤會更大 這時要謹(jǐn)慎對待檢驗(yàn)結(jié)果 此時工具變量估計量是更好的選擇 在不存在一個好的工具變量情況下 使用隨機(jī)效應(yīng)估計量好于固定效應(yīng)估計量 小結(jié) 面板數(shù)據(jù)是我們有機(jī)會避免一種特殊的遺漏變量偏誤 如果對同一個個體 被遺漏變量在不同時期保持不變 面板數(shù)據(jù)集的時間維度就可以控制這種未觀測到的異質(zhì)性 個體誤差成份與解釋變量不相關(guān)的誤差成份DGP的有效估計量 就是成為隨機(jī)效應(yīng)估計量的一個可行GLS估計量 它在對觀測賦予權(quán)重時很好地解釋了個人干擾之間的相關(guān)性 如果個體誤差成份與解釋變量相關(guān) 那么隨機(jī)效應(yīng)就不是一致估計量 此時固定效應(yīng)再次成為有效的估計量 到底是設(shè)定一個不同截距的DGP還是設(shè)定一個誤差成份的DGP 主要取決于抽樣背景 建立一個研究10家企業(yè)投資需求狀況的PanelData模型 t 1 2 20其中 企業(yè)標(biāo)識數(shù)字從1 10 分別對應(yīng)通用汽車 GM 克萊斯勒 CH 通用電氣 GE 西屋 WE 和美國鋼鐵 US 等 被解釋變量It分別是10家企業(yè)的總投資 解釋變量為Mt分別是10家企業(yè)前一年企業(yè)市場價值 反映企業(yè)的預(yù)期利潤 Kt分別是10家企業(yè)前一年末工廠存貨及設(shè)備價值 反映企業(yè)必要重置投資期望值 應(yīng)用實(shí)例 Stata例子 webusegrunfeldxtsetcompanyyearxtdesxtlineinvest混合回歸 reginvestmvaluekstock固定效應(yīng) xtreginvestmvaluekstock fe隨機(jī)效應(yīng) xtreginvestmvaluekstock re xtreginvestmvaluekstock feeststorefixedxtreginvestmvaluekstock reeststorerandomhausmanfixedrandom本題接受原假設(shè) 即應(yīng)該用隨機(jī)