面板數(shù)據(jù)的處理【松柏書屋】

1、面板數(shù)據(jù)的處理,1,專業(yè)課堂,引言,如果想估計我國的“消費函數(shù)” 如果我有2005年31個省市自治區(qū)的“家庭可支配收入”與“家庭消費”的數(shù)據(jù) 則畫散點圖； 做回歸,2,專業(yè)課堂,3,專業(yè)課堂,引言,利用2005年31個省市自治區(qū)的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)： CONS = -10.51 + 1.31*INCOME,4,專業(yè)課堂,引言,如果想估計我國的“消費函數(shù)” 如果我有北京市20002008年的“家庭可支配收入”與“家庭消費”的數(shù)據(jù) 則畫散點圖； 做回歸,5,專業(yè)課堂,6,專業(yè)課堂,引言,利用北京市20002008年的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)： CONS = -47

2、32.85 + 1.72*INCOME,7,專業(yè)課堂,引言,如果想估計我國的“消費函數(shù)” 如果我有31個省市自治區(qū)，從20002008年的“家庭可支配收入”與“家庭消費”的數(shù)據(jù) 應(yīng)該如何做回歸,8,專業(yè)課堂,引言,可能的處理方法： 謹(jǐn)慎型 無知者無謂型,9,專業(yè)課堂,引言,謹(jǐn)慎型 估計31個不同地區(qū)的消費方程； 本質(zhì)假設(shè)：消費行為在不同地區(qū)之間有差異，但同一地區(qū)在不同時間內(nèi)沒有差異,10,專業(yè)課堂,引言,謹(jǐn)慎型 估計9個不同時期的全國消費方程； 本質(zhì)假設(shè)：消費行為在不同地區(qū)之間沒有差異，但同一地區(qū)在不同時間內(nèi)有差異,11,專業(yè)課堂,引言,無知者無謂型 把所有數(shù)據(jù)混在一起做回歸； 本質(zhì)假設(shè)：消費

3、行為在不同地區(qū)之間沒有差異，同一地區(qū)在不同時間內(nèi)也沒有差異,12,專業(yè)課堂,引言,上述處理方法的缺陷 沒有充分利用數(shù)據(jù)； 無法避免遺漏變量的影響； 有時候無法進(jìn)行上述處理,13,專業(yè)課堂,面板數(shù)據(jù)的處理,一、基本概念 二、案例：啤酒稅與交通死亡率之間的回歸,14,專業(yè)課堂,面板數(shù)據(jù)的處理,一、基本概念 面板數(shù)據(jù)（panel data） 平衡面板數(shù)據(jù)、非平衡面板數(shù)據(jù)(balanced panel data,15,專業(yè)課堂,二、案例研究:啤酒稅與交通死亡率,16,專業(yè)課堂,U.S. traffic death data for 1982,較高的酒精稅，更多的交通死亡嗎,1982,17,專業(yè)課堂,U

4、.S. traffic death data for 1988,較高的酒精稅，更多的交通死亡嗎,18,專業(yè)課堂,啤酒稅越高，交通死亡率越高,19,專業(yè)課堂,遺漏因素可能引起遺漏變量偏誤,Example,1: traffic density. Suppose,i,High traffic density means more traffic deaths,ii,Western) states with lower traffic density have lower,alcohol taxes,20,專業(yè)課堂,兩時期面板數(shù)據(jù),21,專業(yè)課堂,Suppose,E,u,Beer,Tax,i,= 0,

5、主要的想法,從,1982,到,1988,年死亡率的任何,改變,不可能由,Z,i,引,起，因為,by assumption,在,1982,到,1988,年期間,Z,i,沒有改,變,數(shù)學(xué),consider fatality rates in 1988 and 1982,FatalityRate,i,1988,b,0,b,1,BeerTax,i,1988,b,2,Z,i,u,i,1988,FatalityRate,i,1982,b,0,b,1,BeerTax,i,1982,b,2,Z,i,u,i,1982,it,it,Z,把兩個時期的回歸方程相減,22,專業(yè)課堂,FatalityRate,i,198

6、8,b,0,b,1,BeerTax,i,1988,b,2,Z,i,u,i,1988,FatalityRate,i,1982,b,0,b,1,BeerTax,i,1982,b,2,Z,i,u,i,1982,so,FatalityRate,i,1988,FatalityRate,i,1982,b,1,BeerTax,i,1988,BeerTax,i,1982,+,u,i,1988,u,i,1982,新的誤差項,u,i,1988,u,i,1982,與,BeerTax,i,1988,或,BeerTax,i,1982,都不相關(guān),這個“相減的”等式可以用,OLS,進(jìn)行估計,盡管,Z,i,無法,觀測,23,

7、專業(yè)課堂,啤酒稅與交通死亡率,24,專業(yè)課堂,FatalityRate v. BeerTax,25,專業(yè)課堂,固定效應(yīng)的回歸Fixed Effects Regression,What if you have more than 2 time periods,T,2),Y,it,b,0,b,1,X,it,b,2,Z,i,u,it,i,1,n,T,1,T,26,專業(yè)課堂,27,專業(yè)課堂,Y,it,b,0,b,1,X,it,b,2,Z,i,u,i,i,1,n,T,1,T,28,專業(yè)課堂,For TX,Y,TX,t,b,0,b,1,X,TX,t,b,2,Z,TX,u,TX,t,b,0,b,2,Z,TX

8、,b,1,X,TX,t,u,TX,t,29,專業(yè)課堂,The regression lines for each state in a picture,30,專業(yè)課堂,31,專業(yè)課堂,總結(jié): 兩種方法寫出固定效應(yīng)模型 “n-1二元自變量”的形式,32,專業(yè)課堂,固定效應(yīng)回歸的參數(shù)估計,三種估計方法,1,n,1,二元自變量,OLS,回歸,2,Entity,demeaned,個體中心化,OLS,回歸,3,改變,設(shè)定,無截距,僅僅適用于,T,2,33,專業(yè)課堂,1. “n-1 binary regressors” OLS regression,34,專業(yè)課堂,2. “Entity-demeaned”

9、 OLS regression,35,專業(yè)課堂,2. “Entity-demeaned” OLS regression,36,專業(yè)課堂,2. “Entity-demeaned” OLS regression,37,專業(yè)課堂,Example. For n = 48, T = 7,38,專業(yè)課堂,Regression with Time Fixed Effects,39,專業(yè)課堂,Time fixed effects only,40,專業(yè)課堂,面板數(shù)據(jù)處理方法的本質(zhì),為了解決“由于無法觀測而遺漏重要變量”的問題！ 例如，利用“截面數(shù)據(jù)”構(gòu)造回歸方程： 其中 但是，X2是無法觀測的！怎么辦,41,專

10、業(yè)課堂,處理方法一,對每一個個體多觀測幾期（T期） 于是有X2,i1, X2,i2,X2,iT 假設(shè)：該變量（X2 ）在不同時期都相等！但對不同個體之間有差異。 例如：酒精稅在各州是不同的，但在考察期內(nèi)沒有變化,42,專業(yè)課堂,處理方法一,假設(shè)：該變量（X2 ）在不同時期都相等！但對不同個體之間有差異。 固定效應(yīng)模型,43,專業(yè)課堂,Suppose we have n = 3 states: California, Texas, Massachusetts,案例：酒精稅與交通死亡率的回歸,44,專業(yè)課堂,The regression lines for each state in a pict

11、ure,Y,a,CA,b,1,X,Y,a,TX,b,1,X,Y,a,MA,b,1,X,a,MA,a,TX,a,CA,Y,X,MA,TX,CA,45,專業(yè)課堂,處理方法一,固定效應(yīng)模型的參數(shù)估計： 1、前后兩期相減（適用于T=2）； 2、引入（n-1）個虛擬變量的回歸； 3、去中心化回歸； （1）固定效應(yīng)估計量（FEE）； （2）與虛擬回歸的估計量（LSDV）相同； （3）無法估計“常數(shù)項,46,專業(yè)課堂,處理方法一,固定效應(yīng)模型的參數(shù)估計： 如果滿足如下條件： 且自變量之間不存在共線性，則 那么（FEE）與（LSDV）就是一個BLUE估計量； 所有的 t檢驗、F檢驗都可以使用； 所以，可以檢驗

12、“固定效應(yīng)”是否存在,47,專業(yè)課堂,處理方法二,對每一時期，多觀測幾個個體（n個個體） 于是有X2,i1, X2,i2,X2,iT 假設(shè)：該變量（X2 ）在不同時期之間有差異！但對不同個體都相等。 例如，汽車的安全性能在考察期內(nèi)提高了，該因素顯然在不同州之間沒有差異,48,專業(yè)課堂,處理方法二,假設(shè)：該變量（X2 ）在不同時期之間有差異！但對不同個體都相等。 這也是固定效應(yīng)模型，只是在時間上固定,49,專業(yè)課堂,處理方法二,固定效應(yīng)模型的參數(shù)估計： 與前述相同： 1、兩個體之間相減，再回歸（適用于n=2）； 2、引入（T-1）個虛擬變量的回歸； 3、去中心化回歸,50,專業(yè)課堂,處理方法三,對每一個個體多觀測幾期（T期） 于是有X2,i1, X2,i2,X2,iT 假設(shè)：該變量（X2 ）在不同時期都相等！但對不同個體之間有差異。 但這個差異是隨機的！而不是確定性的,51,專業(yè)課堂,處理方法三,假設(shè)：該變量（X2 ）在不同時期都相等！但對不同個體之間有差異。 但這個差異是隨機的