基于EViews 6的面板数据计量分析.pdf

《基于EViews 6的面板数据计量分析.pdf》由会员分享，可在线阅读，更多相关《基于EViews 6的面板数据计量分析.pdf（13页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、面板数据计量分析 白仲林 基于基于 EViews6 的面板数据计量分析的面板数据计量分析对于面板数据，EViews 6 提供的估计方法有如下三种，最小二乘估计LS-Least Squares(and AR)二阶段最小二乘估计TSLS-Two-Stage Least Squares(and AR)动态面板数据模型的广义矩估计GMM/DPD-Generalized Method of Moments /Dynamic Panel Data 第第1节节“LS-Least Squares(LS and AR)”估计”估计 如果选择最小二乘方法估计面板数据模型，在“Equation Estimation

2、”窗口中，须依次设置“Specification”、“Panel Options”和“Options”页面。1.1“Specification”页面”页面 在“Specification”页面中，完成模型设定和估计样本时间范围的选择。1 在“Equation specification”编辑区，指定模型的被解释变量、截距项和解释变量；2 在“Sample”编辑区，指定估计样本时间的范围。1.2“Panel Options”页面”页面 设置模型中不可观测的双（单）因素效应，即面板数据回归模型的选择。点击“Panel Options”面板数据计量分析 白仲林 该页面包含三方面内容。1 效应设置 在

3、“Effects specification”选择区，设定面板数据模型的个体效应和时间效应，可选择的选项有“None”、“”、“Fixed”和“Random”，分别表示“无效应”、“固定效应”和“随机效应”。如果选择了“Fixed”或“”或“Random”，”，EViews在输出结果中自动添加一个共同常数，即截距项，以保证效应之和为零。否则，截距项必要时，须在“Specification”页面的“Equation specification”编辑区设定模型截距项。2 GLS加权 设置“GLS Weights”可以在下拉框中选择如下选项 之一。其选择标准为：?面板数据不存在异方差和自相关性时，选

4、择“No weights”；”；?面板数据在个体间存在异方差时，选择“Cross-section weights”；”；?面板数据的个体间存在同期相关性和异方差时，选择“Cross-section SUR”；”；?对于给定的个体，存在时间上的异方差时，选择“Period weights”。?对于给定的个体残差，存在时间上的序列相关性和异方差时，选择“Period SUR”；当选择了GLS加权（后四项），EViews采用FGLS估计模型。特别，选择了两种SUR选项的FGLS估计也称为Parks估计。3 系数协方差估计方法 面板数据计量分析 白仲林 通过选择“Coef covariance met

5、hod”选项，确定计算系数标准差的各种稳健估计方法。可选择的选项有 其选择标准为：?对于不存在（个体间的和时间上的）异方差和时间上的序列相关性时，选择“Ordinary”；?模型残差存在个体间的异方差和同期相关性时，可选择“White cross-section”；”；这时也可选择“Cross-section SUR”选项，最常见的选择是White的截面加权法（White cross-section）?对于模型残差，只存在时间上的异方差时，选择“White Period”选项?模型残差存在个体间的异方差时，可选择“WhiteDiagonal”?模型残差存在个体间的异方差和同期相关性时，可选择“

6、Cross-section SUR”选项；?对于模型残差，只存在个体间的异方差时，选择“Cross-section weights”选项；?对于指定的个体，观测数据存在时间上的异方差和序列相关性时，选择“Period SUR”选项；?对于模型残差，只存在时间上的异方差时，选择“Period weights”选项。选择“No d.f.correction”，计算时不进行自由度修正。注意注意：(1)模型设定和估计方法的一些组合EViews 6不支持，例如，对于个体随机效应模型，设置AR项，或者，选择GLS加权，EViews 6不支持。(2)对于双因素随机效应模型，不支持非平衡面板数据。1.3“Op

7、tions”页面”页面 面板数据计量分析 白仲林 “Options”页面包括系数导数的计算方法选项“Derivatives”、GLS估计的加权选项“Weighting Options”、回归系数重命名“Coefficient Name”和迭代算法选项“Iteration Control”四方面的选项。除回归系数重命名“Coefficient Name”编辑窗口外，该页面的其它选项依赖于“Panel Options”页面的设置。对于随机效应模型，可选择“Weighting Options”确定随机效应方差的估计方法；对于固定效应模型，可选择“Iteration Control”确定迭代估计方法的

8、收敛和迭代选择；如果“Panel Options”页面选择了GLS加权，在“Options”页面可选择“Weighting Options”、“Coefficient Name”和“Iteration Control”三方面的选项，1 系数导数的计算方法 在EViews 6中，可以设置均值方程的（非线性）函数形式，并提供两种计算系数导数的计算方法。选择“Use numeric only”，EViews 6采用有限差分法计算系数的数值导数。否则，采用Newton-Raphson方法和Gauss-Newton/BHHH等方法对计算系数的解析导数。对于线性模型，该选项无效。2 加权选项 在估计随机效

9、应模型时，EViews 提供了计算随机效应方差的三种估计方法，分别是Swamy-Arora,Wallace-Hussain和Wansbeek-Kapteyn方法。缺省选择是“Swamy-Arora”方法，详细内容参考Baltagi(2008).另外，“Keep GLS weights”选项决定是否保存该模型”选项决定是否保存该模型GLS估计的权重。3 回归系数重命名 缺省时，EViews 6使用向量C保存系数和效应的估计值。如果使用其他变量名保存它们，面板数据计量分析 白仲林 在编辑栏输入变量名。4 迭代算法选择“Max Iterations Convergence”选项供选择系数和GLS权重

10、的迭代次数和收敛检验。如果模型设定中含AR，设置有AR项模型系数的初始值，可分别选择无AR项模型系数的OLS估计分数、0或者用户自定义值。“Display Settings”决定在输出结果中是否显示收敛设置和系数的初始值。最后的两个单项选择用于确定系数向量和加权矩阵收敛迭代设置，可选择“Simultaneous updating”和“Sequential updating”，选择前者EViews同时对系数向量和GLS加权矩阵迭代；如果选择“Sequential updating”，系数向量迭代后，EViews更新GLS加权矩阵，再迭代系数向量。但是对于无AR项的GLS模型，两种设置是相同的。如

11、果选择了“Update coefs to convergence”和“Update coefs once”之一，GLS加权矩阵只更新一次，前者对系数向量迭代计算直至收敛。选择后者，系数向量也仅迭代一次。同样，对于无AR项的GLS模型，两种设置也是相同的。1.4“LS-Least Squares(LS and AR)”估计结果”估计结果 案例：案例：Grunfeld(1958)建立了下面的投资方程：12itititititIFCu=+这里，Iit表示对第 i 个企业在 t 年的实际总投资，Fit表示企业的实际价值（即公开出售的股份），Cit表示资本存量的实际价值。案例中的数据是来源于 10 个大

12、型的美国制造业公司 1935-1954共 20 年的面板数据。利用利用 EViews6 估计双因素固定效应和随机效应模型估计双因素固定效应和随机效应模型 1 双因素固定效应模型的 EViews6 输出结果 面板数据计量分析 白仲林 2 双因素随机效应模型的 EViews6 输出结果 1.5 面板数据模型的检验面板数据模型的检验 1 固定效应的检验固定效应的检验 EViews检验过程：View/Fixed/Random Effects Testing/Redundant Fixed Effects Likelihood Ratio.检验结果：w0 表示估计值为负面板数据计量分析 白仲林 LR1

13、LR3 F1 F3 F2 H02下有约束模型的估计 LR2 面板数据计量分析 白仲林 2 随机效应随机效应/固定效应检验固定效应检验-Hausman检验检验 EViews6的检验过程：View/Fixed/Random Effects Testing/Correlated Random Effects-Hausman Test 检验结果：H01下有约束模型的估计 H03下有约束模型的估计 面板数据计量分析 白仲林 (1)基于双随机效应和双固定效应的 Hausman 检验统计量 m1=8.842，其 p=0.012，在 5%的显著性水平下，Hausman 检验拒绝了零假设50H；(2)EView

14、s 还给报告了其他两种 Hausman 检验。最终，应选择个体随机时间固定的双因素效应模型。第第2节节“TSLS-Two-Stage Least Squares(and AR)”估计”估计 如果选择二阶段最小二乘估计方法（“TSLS-Two-Stage Least Squares(and AR)”）面板数据模型，在“Equation Estimation”窗口中，须依次设置“Specification”、“Panel Options”、“Instruments”和“Options”页面。其中，“Specification”、“Panel Options”和“Options”页面的设置与最小二乘

15、估计方法相同，下面主要介绍“Instruments”页面设置。在使用二阶段最小二乘估计方法时，需要设置“Instruments”页面，以确定工具变量。该页面有两部分。在“Instrument list”编辑框指定工具变量，列示所使用的工具变量序列。“Instruments list”页面缺省时，EViews6选择的工具变量是解释变量自身。如果模型设定时，AR项作为解释变量，可选择“Include lagged regressors for equations with AR terms”选项，自动设定模型设定中的变量作为工具变量，并且，EViews6 采用非线性OLS估计模型。注意：在“Ins

16、truments”编辑框无需指定常数项。检验 H0下的 m1统计量 检验 H0下的 m2统计量 检验 H0下的 m3统计量 面板数据计量分析 白仲林 第第3节节“GMM/DPD-Generalized Method of Moments/Dynamic Panel Data”估计”估计 在EViews6中，使用GMM方法估计面板数据模型，也需要设置“Specification”、“Panel Options”、“Instruments”和“Options”四个页面。1“Specification”页面”页面 在“Specification”页面的“Estimation settings”选择框

17、选择“GMM/DPD-Generalized Method of Moments/Dynamic Panel Data”。“”。“Specification”页面的模型设定和样本选择与前面一致。通常采用设定动态面板数据模型的向导“Dynamic Panel Wizard.”按钮设定动态面板数据模型的向导。它通过如下六步完成。（1）设定被解释变量）设定被解释变量?编辑被解释变量?选择被解释变量的滞后阶数，即解释变量中AR项的阶数。（2）设定外生的解释变量）设定外生的解释变量 编辑外生解释变量 面板数据计量分析 白仲林 （3）选择剔除模型中固定效应的变换方法）选择剔除模型中固定效应的变换方法 选择

18、差分法Difference(as in Arellano and Bond,1991)，差分原始数据。或者，选择正交离差Orthogonal Deviations(Arellano and Bover,1995)（4）设定）设定GMM估计的估计的Arellano-Bond工具变量工具变量 缺省时，DYN(CP,-2)指 CP(-2)，CP(-T)均是 CP(1)的工具变量。例如，也可以设定为DYN(CP,-2,-5)，这时，CP(1)的工具变量是 CP(-2)，CP(-5).（4）设定）设定 GMM 估计的其它工具变量（估计的其它工具变量（Arellano and Bover，1995）面板数

19、据计量分析 白仲林 如果这些变量的变换后结果做为工具变量，在左侧编辑；如果用不进行变换的变量做为工具变量，在右侧编辑。（6）设定）设定GMM估计的迭代方法估计的迭代方法?选择GMM估计的迭代选项 1-step(for i.i.d.innovations)计算Arellano-Bond 1-step 估计；2-step(update weights once)计算Arellano-Bond 2-step 估计；n-step(iterate to convergence)多次迭代直至收敛。多次迭代直至收敛。?选择估计系数的方差估计方法 完成模型设定和完成模型设定和GMM工具变量的选择。工具变量的选择。面板数据计量分析 白仲林 另外，还可以利用“Panel Options”、“Instruments”和“Options”三个页面进一步优化动态模型。其中，“Panel Options”和“Options”页面的设定与“LS”估计相应页面的设定相似。2 动态面板数据模型动态面板数据模型GMM估计结果估计结果 计算计算Sargan检验的检验的p-值值 scalar pval=chisq(13.26762939364339,12)p-value=0.35 所以，接受“过度约束正确的零假设”。