面板數(shù)據(jù)模型83146PPT課件

1、18面板數(shù)據(jù)模型的協(xié)整檢驗(yàn)面板數(shù)據(jù)模型的協(xié)整檢驗(yàn)第1頁(yè)/共64頁(yè)21.面板數(shù)據(jù)模型簡(jiǎn)介 面板數(shù)據(jù)（panel data）也稱作時(shí)間序列與截面混合數(shù)據(jù)（pooled time series and cross section data）。面板數(shù)據(jù)是截面上個(gè)體在不同時(shí)點(diǎn)的重復(fù)觀測(cè)數(shù)據(jù)。 N=30，T=50的面板數(shù)據(jù)示意圖的面板數(shù)據(jù)示意圖 第2頁(yè)/共64頁(yè)3面板數(shù)據(jù)分兩種特征面板數(shù)據(jù)分兩種特征：（：（1）個(gè)體數(shù)少，時(shí)間長(zhǎng)。（）個(gè)體數(shù)少，時(shí)間長(zhǎng)。（2）個(gè)）個(gè)體數(shù)多，時(shí)間短。面板數(shù)據(jù)用雙下標(biāo)變量表示。體數(shù)多，時(shí)間短。面板數(shù)據(jù)用雙下標(biāo)變量表示。 yi t, i = 1, 2, , N; t = 1, 2,

2、 , Ti 對(duì)應(yīng)面板數(shù)據(jù)中不同個(gè)體。對(duì)應(yīng)面板數(shù)據(jù)中不同個(gè)體。N表示面板數(shù)據(jù)中含有表示面板數(shù)據(jù)中含有N個(gè)個(gè)個(gè)個(gè)體。體。t 對(duì)應(yīng)面板數(shù)據(jù)中不同時(shí)點(diǎn)。對(duì)應(yīng)面板數(shù)據(jù)中不同時(shí)點(diǎn)。T表示時(shí)間序列的最大長(zhǎng)表示時(shí)間序列的最大長(zhǎng)度。度。利用面板數(shù)據(jù)建立模型的好處利用面板數(shù)據(jù)建立模型的好處是：（是：（1）由于觀測(cè)值的增）由于觀測(cè)值的增多，可以增加估計(jì)量的抽樣精度。（多，可以增加估計(jì)量的抽樣精度。（2）對(duì)于固定效應(yīng)回）對(duì)于固定效應(yīng)回歸模型能得到參數(shù)的一致估計(jì)量，甚至有效估計(jì)量。（歸模型能得到參數(shù)的一致估計(jì)量，甚至有效估計(jì)量。（3）面板數(shù)據(jù)建模比單截面數(shù)據(jù)建模可以獲得更多的動(dòng)態(tài)信息。面板數(shù)據(jù)建模比單截面數(shù)據(jù)建?？梢垣@

3、得更多的動(dòng)態(tài)信息。第3頁(yè)/共64頁(yè)4 yi t, i = 1, 2, , N; t = 1, 2, , T 若固定t不變，yi ., ( i = 1, 2, , N)是橫截面上的N個(gè)隨機(jī)變量； 若固定i不變，y. t, (t = 1, 2, , T)是縱剖面上的一個(gè)時(shí)間序列（個(gè)體）。第4頁(yè)/共64頁(yè)5 面板數(shù)據(jù)是不同個(gè)體和不同時(shí)期被觀察的數(shù)據(jù)（Longitudinal or Panel Data）1 122iiiiyxx1 122ttttyxx1 122itititityxx橫截面數(shù)據(jù)橫截面數(shù)據(jù)時(shí)間序列數(shù)據(jù)時(shí)間序列數(shù)據(jù)面板數(shù)據(jù)面板數(shù)據(jù)第5頁(yè)/共64頁(yè)62面板數(shù)據(jù)模型分類 用面板數(shù)據(jù)建立的模型通

4、常有3種，即混合模型、固定效應(yīng)模型和隨機(jī)效應(yīng)模型。 2.1 混合模型（Pooled model）。 如果一個(gè)面板數(shù)據(jù)模型定義為， yit = + Xit +it, i = 1, 2, , N; t = 1, 2, , T 其中yit為被回歸變量（標(biāo)量）， 表示截距項(xiàng)，Xit為k 1階回歸變量列向量（包括k個(gè)回歸量），為k 1階回歸系數(shù)列向量，it為誤差項(xiàng)（標(biāo)量）。則稱此模型為混合回歸模型?；旌匣貧w模型的特點(diǎn)是無(wú)論對(duì)任何個(gè)體和截面，回歸系數(shù)和都相同。 如果模型是正確設(shè)定的，解釋變量與誤差項(xiàng)不相關(guān)，即Cov(Xit,it) = 0。那么無(wú)論是N，還是T，模型參數(shù)的混合最小二乘估計(jì)量（Pooled

5、OLS）都是一致估計(jì)量。第6頁(yè)/共64頁(yè)7 2.2 固定效應(yīng)模型（fixed effects model）。 固定效應(yīng)模型分為3種類型，即個(gè)體固定效應(yīng)模型、時(shí)點(diǎn)固定效應(yīng)模型和個(gè)體時(shí)點(diǎn)雙固定效應(yīng)模型。下面分別介紹。 2.2.1個(gè)體固定效應(yīng)模型（entity fixed effects model） 如果一個(gè)面板數(shù)據(jù)模型定義為， yit = i + Xit +it, i = 1, 2, , N; t = 1, 2, , T 其中i是隨機(jī)變量，表示對(duì)于i個(gè)個(gè)體有i個(gè)不同的截距項(xiàng)，且其變化與Xit有關(guān)系；Xit為k 1階回歸變量列向量（包括k個(gè)回歸量），為k 1階回歸系數(shù)列向量，對(duì)于不同個(gè)體回歸系數(shù)相

6、同，yit為被回歸變量（標(biāo)量），it為誤差項(xiàng)（標(biāo)量），則稱此模型為個(gè)體固定效應(yīng)模型。第7頁(yè)/共64頁(yè)8第8頁(yè)/共64頁(yè)9第9頁(yè)/共64頁(yè)10第10頁(yè)/共64頁(yè)11第11頁(yè)/共64頁(yè)12第12頁(yè)/共64頁(yè)13第13頁(yè)/共64頁(yè)14第14頁(yè)/共64頁(yè)153. 面板數(shù)據(jù)模型估計(jì)方面板數(shù)據(jù)模型估計(jì)方法法 混合最小二乘混合最小二乘（Pooled OLS）估計(jì)估計(jì) （適用于混合模型）（適用于混合模型） 平均數(shù)平均數(shù)（between）OLS估計(jì)估計(jì) （適用于混合模型和個(gè)體隨機(jī)效應(yīng)模（適用于混合模型和個(gè)體隨機(jī)效應(yīng)模型）型） 離差變換離差變換（within）OLS估計(jì)估計(jì) （適用于個(gè)體固定效應(yīng)回歸模型）（適用于

7、個(gè)體固定效應(yīng)回歸模型） 一階差分一階差分（first difference）OLS估計(jì)估計(jì) （適用于個(gè)體固定效應(yīng)模型）（適用于個(gè)體固定效應(yīng)模型） 可行可行GLS（feasible GLS）估計(jì)估計(jì) （適用于隨機(jī)效應(yīng)模型）（適用于隨機(jī)效應(yīng)模型）第15頁(yè)/共64頁(yè)16第16頁(yè)/共64頁(yè)17第17頁(yè)/共64頁(yè)18第18頁(yè)/共64頁(yè)19第19頁(yè)/共64頁(yè)20第20頁(yè)/共64頁(yè)21第21頁(yè)/共64頁(yè)22第22頁(yè)/共64頁(yè)23第23頁(yè)/共64頁(yè)24第24頁(yè)/共64頁(yè)25第25頁(yè)/共64頁(yè)26第26頁(yè)/共64頁(yè)27 第27頁(yè)/共64頁(yè)28第28頁(yè)/共64頁(yè)2915個(gè)省級(jí)地區(qū)的人均消費(fèi)序列個(gè)省級(jí)地區(qū)的人均消費(fèi)

8、序列第29頁(yè)/共64頁(yè)30 第30頁(yè)/共64頁(yè)31第31頁(yè)/共64頁(yè)32第32頁(yè)/共64頁(yè)335面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析個(gè)體隨機(jī)效應(yīng)模型與個(gè)體固定效應(yīng)模型比較，應(yīng)該建立個(gè)體固定效應(yīng)模型。個(gè)體隨機(jī)效應(yīng)模型與個(gè)體固定效應(yīng)模型比較，應(yīng)該建立個(gè)體固定效應(yīng)模型。第33頁(yè)/共64頁(yè)34第34頁(yè)/共64頁(yè)35第35頁(yè)/共64頁(yè)36第36頁(yè)/共64頁(yè)37第37頁(yè)/共64頁(yè)38第38頁(yè)/共64頁(yè)39第39頁(yè)/共64頁(yè)40第40頁(yè)/共64頁(yè)41-1000010002000300040005000040008000120001600020000I1F1F1 vs. Log I1-2000-10000

9、10002000300040005000040008000120001600020000I1F1F1 vs. Inverse of I1010002000300040005000040008000120001600020000I1F1F1 vs. Polynomial (degree=2) of I15.56.06.57.07.58.08.59.06.06.57.07.58.08.59.09.510.0LOG(CINCOME)LOG(Cfood) 第41頁(yè)/共64頁(yè)42第42頁(yè)/共64頁(yè)43第43頁(yè)/共64頁(yè)44第44頁(yè)/共64頁(yè)45第45頁(yè)/共64頁(yè)46第46頁(yè)/共64頁(yè)47第47頁(yè)/共64頁(yè)48第48頁(yè)/共64頁(yè)49第49頁(yè)/共64頁(yè)50第50頁(yè)/共64頁(yè)51第51頁(yè)/共64頁(yè)52第52頁(yè)