第11章面板数据模型.pptx

《第11章面板数据模型.pptx》由会员分享，可在线阅读，更多相关《第11章面板数据模型.pptx（60页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、ECONOMETRICS第十一章 面板数据模型教学目的和要求0105040302了解面板数据模型及其一般形式了解面板数据模型及其一般形式掌握面板数据模型的三种分掌握面板数据模型的三种分类掌握面板数据模型的掌握面板数据模型的选择和参数估和参数估计掌握面板数据模型的掌握面板数据模型的检验和方法和方法掌握面板数据模型的掌握面板数据模型的EVIEWS软件件实现课程内容01040302面板数据模型概述面板数据模型的选择与估计面板数据模型的检验案例分析4引子：居民消费水平和收入水平之间的关系存在区域或动态差异性吗？居民消费水平和收入水平不仅是国民经济与社会发展的重要表征指标，而且也是政府相关部门制定相关宏

2、观经济政策的重要依据，两者之间存在着一定内在的联系。改革开放以来，随着经济发展，我国居民消费水平和收入水平均获得了显著提高，但两者之间的数量依存关系是否随着时间推移而发生动态变化？同时由于我国区域间的资源禀赋、经济发展水平、交通区位、历史文化等存在着非均衡性，那么区域间居民消费水平和收入水平之间的数量依存关系是否也具有差异性？在建立计量经济模型测度居民消费与收入之间数量关系时，传统上无论是采用时序数据还是截面数据均不能反映两者关系在时间上或空间上的差异，如何采用一种新的建模方法实现对上述两种差异的度量，从而可以利用建立的模型进行更为全面、系统的分析信息？本章介绍的面板数据模型可以达到上述目的。

3、511.1 面板数据模型概述611.1.1 面板数据例如 2014-2019年我国31个省、直辖市和自治区人均国内生产总值（元）数据为平衡面板数据。（此处仅展示15个地区的数据）11.1 面板数据模型概述时间个体指标711.1 面板数据模型概述811.1 面板数据模型概述911.1 面板数据模型概述1011.1 面板数据模型概述11123、按模型中是否包括滞后被解释变量分为静态面板模型和动态面板模型。面板数据模型进一步可以划分为静态面板和动态面板模型，其中动态面板模型是相对于静态面模型而言的。动态面板模型是包含滞后被解释变量作为解释变量的模型。动态面板数据是在静态面板模型的基础上建立的。静态面

4、板模型则是不包含滞后被解释变量作为解释变量的模型。11.1 面板数据模型概述1311.1.4 面板数据模型的特点第一，它可以解决样本容量不足的问题。将不同横截面单元不同时间观察值的结合，可以增加样本容量和自由度。第二，有助于正确地分析经济变量之间的关系。减少解释变量之间的共线性，从而有利于得到更为有效的估计量。第三，它是对同一截面单元集的重复观察，能更好地研究经济行为变化的动态性。第四，它可以估计某些难以度量的因素对被解释变量的影响。通过设置虚拟变量对个别差异（非观测效应）进行控制，用来有效处理遗漏变量的模型错误设定问题。11.1 面板数据模型概述1411.2 面板数据模型的选择和估计1511

5、.2 面板数据模型的选择和估计1611.2 面板数据模型的选择和估计1711.2 面板数据模型的选择和估计1811.2 面板数据模型的选择和估计1911.2 面板数据模型的选择和估计2011.2 面板数据模型的选择和估计2111.2 面板数据模型的选择和估计2211.2 面板数据模型的选择和估计2311.2 面板数据模型的选择和估计24 采用广义最小二乘法（GLS）对随机效应模型进行估计。当成分方差已知时简化后的模型中参数的GLS估计量为：其中：；由于实际分析中，成分方差通常是未知，因此采用可行广义最小二乘估计法(FGLS)对模型进行估计，估计的步骤首先是求出成分方差的无偏估计，然后再进行OL

6、S估计。首先，对原随机固定效应变截距模型两边同时对时间上求均值得 将上式与原式相减，得：采用Greene(1997)的 和 的无偏估计：11.2 面板数据模型的选择和估计2511.2 面板数据模型的选择和估计262.变系数模型的估计固定效应变系数模型、随机效应变系数模型（1）固定效应变系数模型不同个体间随机误差项不相关的模型 当不同横截面个体之间的随机误差项不相关时，即：此时可以将模型分成对应于横截面个体的N个单方程，然后利用各横截面个体时间序列数据采用最小二乘法（OLS）估计分别估计出单方程中的参数。不同个体之间随机误差项相关的模型 当不同横截面个体的随机误差项之间相关时，即：此时采用GLS

7、方法估计会比OLS估计更有效。当协方差矩阵已知时，可直接得到参数的GLS估计。若协方差矩阵未知时，随机误差项协方差矩阵的构造较为困难，可以采用简单的方法：首先进行横截面上的单方程的OLS估计，用相应的残差估计值构造协方差矩阵的估计量，然后再进行GLS估计。11.2 面板数据模型的选择和估计27（2）随机效应变系数模型 ，其中 在随机影响变系数模型中，系数向量 为跨截面变化的随机向量，基本的模型设定为：其中：为截面变化的系数均值部分，为随机变量，表示变化系数的随机部分，其服从如下假设：；11.2 面板数据模型的选择和估计2811.2 面板数据模型的选择和估计2911.3 面板数据模型的检验30同

8、质单位根检验31同质单位根检验32异质单位根检验3311.3.1 面板数据的协整检验 协整检验是考虑变量间长期均衡的关系。如果两个或者多个非平稳变量序列，但其线性组合后的序列呈平稳性，则认为这些变量序列之间存在协整关系。面板数据的协整检验方法可以分为两大类：一类是建立在Engle and Granger二步法检验基础上的面板协整检验，具体方法主要有Pedroni检验法和Kao检验法；另一类是建立在Johansen协整检验基础上的面板协整检验。下面对每种检验方法进行简单的介绍。11.3 面板数据模型的检验34Pedroni检验35 Kao检验的思路和Pedroni检验较为相似，也是先构造回归然后

9、再利用辅助回归的方法进行检验，不同之处在于Kao检验在第一步模型回归时不同。Kao检验模型中只允许包含个体效应，且要求模型中外生变量的系数满足齐性的要求，也就是不同的截面个体外生变量的系数是一样的。以两变量为例，上述条件可表示如下：进行辅助回归：Kao检验36 将Fisher采用的多个个体独立检验结果来进行整体的联合检验的方法应用到面板数据的联合检验中，并与Johansen检验结合起来，即：先整合单个截面的Johansen检验结果，然后得到检验整个面板数据的统计量。在不存在协整关系的原假设下，构造的检验统计量为：其中，N表示截面的个数。EViews9.0软件实现。在Pool对象以及Panel工

10、作环境组中进行检验，在Pool对象的对话框中，点击Views/Cointegration Test/Test type/Pedroni/Kao（Engle-Granger based）可以实现Pedroni检验或者Kao检验。其中Kao检验和Pedroni检验区别只是在第一阶段回归中外生回归量只允许包含个体固定效应采用默认设置。Johansen协整检验是在Test type之后选择Fisher(combined Johansen)来实现。Johansen检验3711.4.1 样本选取 现选取2013-2019年中国东北、华北、华东15个省市区居民人均消费支出和人均可支配收入数据。建立居民人均消

11、费支出关于人均可支配收入的面板数据模型。11.4 案例分析381.建立工作文件 在EViews中点击FileNewworkfile。得出Workfile.Create对话框，在Workfile.strueture.type下选择Dated-regular frequency，在Date.specification框中Frequency的下拉箭头中选择Annual，接着输入Start date和End.date信息后得图1。点击OK后得图2，并且可以对工作文件进行命名。11.4 案例分析图1图2392.建立合成数据库（pool）对象 在图2的Workfile框中点击ObjectNew objec

12、tPool便可得到图3，在选择区对新对象命名为CS如图4（用英文或拼音,初始显示为Untitled），点击OK按钮。11.4 案例分析图3图440 在图5窗口中输入截面个体标识，本案例的截面个体标识为15个省份名称的英文大写字母缩写（用大写拼音或英文字母缩写）。11.4 案例分析图5413.录入、编辑和调用数据（1）录入数据 输入变量序列名在图5 Pool窗口点击Sheet,出现Series List，在Series List下输入变量名，每个变量后都要加个“？”（占位符，表示截面个体），而且两个变量名之间用空格隔开。本案例应该在Series List框中输入人均消费和人均收入两个变量，分别用

13、cp和ip表示，如图6所示。然后点击OK按钮便会出现名称为CS的Pool workfile窗口，点击Edit+/-进行编辑，将Excel表格中的面板数据录入到Eviews中。最终录入数据的结果如图7所示。11.4 案例分析图642（2）数据转换 用“Order+/-”可作堆栈数据和非堆栈数据转换。堆栈数据是指数据是以截面个体为主体堆积，如图7，数据按照省份进行堆积，总计15个省份进行15次堆积；非堆栈数据是指数据是以时间为主体堆积，如图8，数据按照年份进行堆积，20132019以年为单位总计7年，进行7次堆积。11.4 案例分析图7图843（3）冻结或编辑数据 当数据录入后，为防止不小心触碰到

14、鼠标或键盘导致数据改变，需单击“Edit+/-”选项进行冻结。冻结后，数据的显示背景为灰色，而且数据不能进行编辑，如果需要对数据进行再次编辑，应再次点击“Edit+/-”进行解冻。（4）数据保存 数据录入后应马上保存，单击Pool窗口下工具栏中的“Name”选项，在对话框中输入文件名（用英文或拼音表示）。（5）数据调取 在工作文件主窗口点击合成数据对象名（如CS）,再在Pool窗口点击view/spreadsheet（stacked.data）,在新的对话框中键入要读取的变量名，如图9所示。其中在图10中，点击不同选项，还可以完成如下任务：Cross Section idengtifiers（

15、查看或修改截面个体名）、Descriptive.statistics（描述统计分析）、Unit root test（单位根检验）、Cointegration test（协整检验）。11.4 案例分析4411.4 案例分析图9图104511.4 案例分析46图11图12估计混合模型47 由图10可知，a的估计值为1455.769，b的估计值为0.648788，并且其对应的概率P值均为0.000，所以在1%的显著性水平下均拒绝原假设，所以参数估计显著。相应的表达式为：估计混合模型48 基本形式：，其中，为15个省市的平均自发消费倾向，用来反映省市间的消费结构差异；b为边际消费倾向。变截距模型又可以

16、分为六种，在Pool窗口的工具栏中点击Estimate键，打开Pooled.estimation窗口,在Dependent variable框中放入被解释变量cp？；在Regressors and.AR()terms框下的Common coefficients框中放入解释变量ip？；在Cross-section框中选择fixed表示个体固定效应模型、选择random表示个体随机效应模型，在Period框中选择fixed表示个体随机效应模型、选择random表示随机随机效应模型，Period框和Cross-section框同时选择fixed表示个体时点固定效应模型、同时选择random表示个体时

17、点随机效应模型。下面以个体固定效应模型为例，估计变截距模型。具体操作见图13，结果见图14。估计变截距模型49估计变截距模型图14图1350 图14可知，a的估计值为3145.304，b的估计值为0.590944，并且其对应的概率P值均为0.000，在0.01的显著性水平下均拒绝原假设，所以参数估计显著。因为估计的是变截距模型，所以斜率的值保持不变，截距项根据不同省份的数据发生改变，则相应的表达式为：估计变截距模型51估计变系数模型 变系数模型的操作是在Regressors and.AR()terms框下的Cross-section specific框中放入解释变量ip？,再根据要求选择fix

18、ed或者random选项。对于不同个体之间随机误差项不相关的固定影响变系数模型，权数直接默认选择No weights，对于不同个体之间随机误差项相关的固定影响变系数模型，权数选项选择Cross-section-weights，目的是通过加权克服异方差。以不同个体之间随机误差项不相关的固定影响变系数模型为例，操作见图15。图1552 由表1可知，a的估计值为2141.713，表格的第二列是每个省份对应的斜率b估计值，表格的第4列为对应的t值，并且由第五列可知，它们对应的概率P值全部都为0.000，在0.01的显著性水平下均拒绝原假设，所以参数估计显著。因为估计的是变系数模型，所以斜率的值会发生改

19、变，而且截距项也会根据不同省份的数据发生相应的改变。相应的表达式为：估计变系数模型表153 由图16的结果可知，估计的固定影响变系数模型的调整后的R方值、F值以及S.E残差平方和分别为：估计变系数模型图165411.4 案例分析552.固定效应模型、随机效应模型的选择（个体、时间）（1）似然比（Likelihoood.ratio,LR）检验 由于似然比检验主要用于检验是否存在固定效应，所以是在估计固定效应方程窗口中点击：ViewFixed/Random Effects TestingRedundant Fixed.effects-Likelihood.ratio，具体操作为图17，结果见图18

20、。由于LR统计量的伴随概率p=0.0000，小于显著性水平0.05，拒绝原假设，故应该建立（个体）固定效应模型。11.4 案例分析图17图185611.4 案例分析图19 似然比和Hausman两个检验结果都表明要建立个体固定效应模型，因此该组数据应该建立个体固定效应模型。5711.4.4 结果说明 首先，建立变系数模型，在Pool窗口的工具栏中点击Estimate键，打开PooleD.Estimation窗口,在Dependent Variable框中放入被解释变量cp？；在Regressors anD.AR()terms框下的Cross-seCtion speCifiC框中放入解释变量ip

21、？；由似然比检验和Hausman检验可知应该建立个体固定效应模型，所以在Cross-seCtion框中选择fixed表示个体固定效应模型；又因为个体固定效应模型的与相关，所以权数选项选择Cross-seCtion-weights通过加权克服异方差。最终确定不同个体之间随机误差项相关的固定影响变系数模型，具体操作见图20。11.4 案例分析图2058 由表2可知，a的估计值为2141.713，表格的第二列是每个省份对应的斜率b估计值，由第五列可知，它们对应的概率P值全部都为0.000，在0.01的显著性水平下均拒绝原假设，参数估计显著。变系数模型的斜率的值和截距项的值都会根据不同省份的数据发生相

22、应的改变。在Pool窗口的工具栏中点击ViewRepresentation可以显示具体的回归方程式。根据表2也可以写出估计的变系数模型方程式，相应的表达式为：11.4 案例分析表259 根据最终确定的不同个体之间随机误差项相关的固定影响变系数模型的回归结果可知，15个省份的固定常数项值为2141.713，通过加减各个省份各自的常数项值可确定最终的常数项值，且每个回归方程的回归系数值和常数值均不相同。以安徽省为例：回归系数值为0.760，其表示安徽省居民人均可支配收入每增加1元，人均消费支出增加0.760元；居民人均可支配收入每减少1元，人均消费支出便减少0.760元。11.4 案例分析 END!