面板數(shù)據(jù)模型與stata軟件的應(yīng)用.ppt

《面板數(shù)據(jù)模型與stata軟件的應(yīng)用.ppt》由會員分享，可在線閱讀，更多相關(guān)《面板數(shù)據(jù)模型與stata軟件的應(yīng)用.ppt（38頁珍藏版）》請在裝配圖網(wǎng)上搜索。

面板數(shù)據(jù)模型與stata軟件的應(yīng)用 一 什么是面板數(shù)據(jù)二 面板數(shù)據(jù)模型的優(yōu)勢三 面板模型的估計方法 FE和RE四 stata軟件簡介五 如何用stata估計面板模型 案例分析 一 面板數(shù)據(jù)類型 時間維度 截面維度如我們在分析中國各省份的經(jīng)濟(jì)增長時 共有31個截面 每個截面都取1979 1998共20年的數(shù)據(jù) 共有620個觀察值 這是一個典型的平行面板數(shù)據(jù)上市公司財務(wù)數(shù)據(jù) 研究一段時期內(nèi) 1998 2008 上市公司股利的發(fā)放數(shù)額與股票賬面價值之間的關(guān)系 共有20 11 220個觀測值強調(diào)經(jīng)濟(jì)理論基礎(chǔ) 強調(diào)微觀行為基礎(chǔ) 表11996 2002年中國東北 華北 華東15個省級地區(qū)的居民家庭人均消費數(shù)據(jù) 不變價格 表2上市公司的投資與股票賬面價值 N 20 T 4 面板數(shù)據(jù)模型和stata軟件應(yīng)用 二 面板數(shù)據(jù)模型有以下幾個優(yōu)點 第一 PanelData模型可以通過設(shè)置虛擬變量對個別差異 非觀測效應(yīng) 進(jìn)行控制 第二 PanelData模型通過對不同橫截面單元不同時間觀察值的結(jié)合 增加了自由度 減少了解釋變量之間的共線性 從而改進(jìn)了估計結(jié)果的有效性 第三 PanelData模型是對同一截面單元集的重復(fù)觀察 能更好地研究經(jīng)濟(jì)行為變化的動態(tài)性 舉例 交通死亡率與酒后駕車人數(shù) 一段時間內(nèi)江蘇省各市 其他的非觀測 潛在 因素 南京與蘇州汽車本身狀況道路質(zhì)量當(dāng)?shù)氐娘嬀莆幕瘑挝坏缆返能囕v密度非觀測效應(yīng)導(dǎo)致估計結(jié)果不準(zhǔn)確 面板數(shù)據(jù)可以控制和估計非觀測效應(yīng) 面板數(shù)據(jù)模型形式 其中 i 1 2 3 N 截面標(biāo)示 t 1 2 T 時間標(biāo)示 xit為k 1解釋變量 為k 1系數(shù)列向量對于特定的個體i而言 ai表示那些不隨時間改變的影響因素 而這些因素在多數(shù)情況下都是無法直接觀測或難以量化的 如個人的消費習(xí)慣 地區(qū)的經(jīng)濟(jì)結(jié)構(gòu) 法律和產(chǎn)權(quán)制度等 一般稱其為 個體效應(yīng) individualeffects 面板數(shù)據(jù)模型的誤差項由兩部分組成 一部分是與個體觀察單位有關(guān)的 它概括了所有影響被解釋變量 但不隨時間變化的因素 因此 面板數(shù)據(jù)模型也常常被成為非觀測效應(yīng)模型 另外一部分概括了隨截面隨時間而變化的不可觀測因素 通常被成為特異性誤差或特異擾動項 GDP X Invest edu 北京 江蘇省 山西省 基礎(chǔ)設(shè)施更加完善 受教育程度較好 經(jīng)濟(jì)結(jié)構(gòu)以服務(wù)業(yè)為主 法制更健全 面板模型選擇 固定效應(yīng)還是隨機(jī)效應(yīng) 對 個體效應(yīng) 的處理主要有兩種方式 一種是視其為不隨時間改變的固定性因素 相應(yīng)的模型稱為 固定效應(yīng) 模型 另一種是視其為隨機(jī)因素 相應(yīng)的模型稱為 隨機(jī)效應(yīng) 模型固定效應(yīng)模型中的個體差異反映在每個個體都有一個特定的截距項上 隨機(jī)效應(yīng)模型則假設(shè)所有的個體具有相同的截距項 個體的差異主要反應(yīng)在隨機(jī)干擾項的設(shè)定上 FE FixedEffects ModelRE RandomEffects Model其中 是截距中的隨機(jī)變量部分 代表個體的隨機(jī)影響 Replacewithdummyvariables 固定效應(yīng)模型 1 例如 在研究財政支出與經(jīng)濟(jì)增長的關(guān)系 運用全國的時間序列數(shù)據(jù)來檢驗財政支出與經(jīng)濟(jì)增長的關(guān)系可能存在設(shè)定誤差并且受統(tǒng)計資料的制約 僅用時間序列資料不能夠滿足大樣本的要求同時 由于我國不同地區(qū)的體制變革和財政政策的不斷調(diào)整 造成各個地區(qū)財政支出結(jié)構(gòu)隨時間而不斷變化面板數(shù)據(jù) PanelData 從某種程度上克服了這一困難 考慮到中國各省份財政支出結(jié)構(gòu)與經(jīng)濟(jì)增長的關(guān)系存在明顯的地區(qū)差異 從時間序列的角度 考慮各省差異的動態(tài)性 是面板數(shù)據(jù)模型的優(yōu)勢 例如 在研究中國地區(qū)經(jīng)濟(jì)增長的過程中 以全國28個省區(qū)為研究對象 可以認(rèn)為這28個省區(qū)幾乎代表了整個總體同時假設(shè)在樣本區(qū)間內(nèi) 各省區(qū)的經(jīng)濟(jì)結(jié)構(gòu)人口素質(zhì)等不可觀測的特質(zhì)性因素是固定不變的 因此采用固定效應(yīng)模型是比較合適的 2 而當(dāng)我們研究某個縣市居民的消費行為時 由于樣本數(shù)相對于江蘇省幾千萬人口是個很小的樣本 此時 可以認(rèn)為個體居民在個人能力 消費習(xí)慣等方面的差異是隨機(jī)的 采用隨機(jī)效應(yīng)模型較為合適隨機(jī)效應(yīng)模型 RE認(rèn)為個體的差異是隨機(jī)的 其中非觀測的個體差異效應(yīng)與隨機(jī)擾動項一樣都是隨機(jī)變量 隨機(jī)效應(yīng)模型 總結(jié) 如果把非觀測效應(yīng)看做是各個截面或個體特有的可估計參數(shù) 并且不隨時間而變化 則模型為固定效應(yīng)模型 如果把非觀測效應(yīng)看作隨機(jī)變量 并且符合一個特定的分布 則模型為隨機(jī)效應(yīng)模型 3 在實證分析中 一般通過hausman檢驗判斷 由于隨機(jī)效應(yīng)模型把個體效應(yīng)設(shè)定為干擾項的一部分 所以就要求解釋變量與個體效應(yīng)不相關(guān) 而固定效應(yīng)模型并不需要這個假設(shè)條件因此 我們可以通過檢驗該假設(shè)條件是否滿足 如果滿足 那么就應(yīng)該采用隨機(jī)效應(yīng)模型 反之 就需要采用固定效應(yīng)模型 Hausman檢驗的基本思想是 在固定效應(yīng)u i和其他解釋變數(shù)不相關(guān)的原假設(shè)下 用OLS估計的固定效應(yīng)模型和用GLS估計的隨機(jī)效應(yīng)模型的參數(shù)估計都是一致的 反之 OLS是一致的 但GLS則不是因此 在原假設(shè)下 二者的參數(shù)估計應(yīng)該不會有系統(tǒng)的差異 我們可以基于二者參數(shù)估計的差異構(gòu)造統(tǒng)計檢驗量 如果拒絕了原假設(shè) 我們就認(rèn)為選擇固定效應(yīng)模型是比較合適的 四 stata軟件簡介 STATA軟件估計與應(yīng)用 打開數(shù)據(jù)庫 use E ProgramFiles Stata10 0綠色軟件 Stata10 東部 dta 或者重新輸入數(shù)據(jù) edit相關(guān)系數(shù) corgdpinvesteduscihealth簡單回歸 regressgdpinvestculturesci無常數(shù) regressgdpinvestculturesci noconstant 估計結(jié)果 回歸診斷 是否存在異方差 estathettest懷特檢驗 estatimtest white回歸信息檢驗 estatimtest是否遺漏重要解釋變量 estatovtest擬合圖 rvfplot單一變量的相關(guān)圖 cprplotinvest 畫圖 菜單與命令結(jié)合twoway scattergdpinvest twoway scattergdpinvest lfitgdpinvest 基本建設(shè)支出與GDP的相關(guān)關(guān)系圖 各省教育支出的增長趨勢 1998 2006 Durbin Watson統(tǒng)計量 estatdwatson序列相關(guān)檢驗 estatdurbinalt滯后階數(shù)選擇 estatdurbinalt lags 2 條件異方差檢驗 estatarchlm lags 2 可選變量的異方差檢驗 estatszroetergdpinvestculturesci 五 Stata對面板數(shù)據(jù)模型的估計 隨機(jī)效應(yīng)模型 Stata對面板數(shù)據(jù)模型的估計 首先對面板數(shù)據(jù)進(jìn)行聲明 前面是截面單元 后面是時間標(biāo)識 tssetcompanyyeartssetindustryyear產(chǎn)生新的變量 gennewvar human lnrd產(chǎn)生滯后變量Genfiscal 2 L2 fiscal產(chǎn)生差分變量Genfiscal D D fiscal 描述性統(tǒng)計 xtdes 對PanelData截面?zhèn)€數(shù) 時間跨度的整體描述Xtsum 分組內(nèi) 組間和樣本整體計算各個變量的基本統(tǒng)計量xttab采用列表的方式顯示某個變量的分布Stata中用于估計面板模型的主要命令 xtregxtregdepvar varlist ifexp model type level Modeltype模型beBetween effectsestimatorfeFixed effectsestimatorreGLSRandom effectsestimatorpaGEEpopulation averagedestimatormleMaximum likelihoodRandom effectsestimator 主要估計方法 xtreg Fixed between andrandom effects andpopulation averagedlinearmodelsxtregar Fixed andrandom effectslinearmodelswithanAR 1 disturbancextpcse OLSorPrais Winstenmodelswithpanel correctedstandarderrorsxtrchh Hildreth Houckrandomcoefficientsmodelsxtivreg Instrumentalvariablesandtwo stageleastsquaresforpanel datamodels xtabond Arellano Bondlinear dynamicpaneldataestimatorxttobit Random effectstobitmodelsxtlogit Fixed effects random effects population averagedlogitmodelsxtprobit Random effectsandpopulation averagedprobitmodelsxtfrontier Stochasticfrontiermodelsforpanel dataxtrcgdpinvestcultureeduscihealthsocialadmin beta xtreg命令的應(yīng)用 聲明面板數(shù)據(jù)類型 tssetshengt描述性統(tǒng)計 xtsumgdpinvestsciadmin1 固定效應(yīng)模型估計 xtreggdpinvestculturescihealthadmintechno fe固定效應(yīng)模型中個體效應(yīng)和隨機(jī)干擾項的方差估計值 分別為sigmau和sigmae 二者之間的相關(guān)關(guān)系 rho 最后一行給出了檢驗固定效應(yīng)是否顯著的F統(tǒng)計量和相應(yīng)的P值 本例中固定效應(yīng)非常顯著 2 隨機(jī)效應(yīng)模型估計 xtreggdpinvestculturescihealthadmintechno re檢驗隨機(jī)效應(yīng)模型是否優(yōu)于混合OLS模型 在進(jìn)行隨機(jī)效應(yīng)回歸之后 使用xttest0檢驗得到的P值為0 0000 表明隨機(jī)效應(yīng)模型優(yōu)于混合OLS模型3 最大似然估計Ml xtreggdpinvestculturescihealthadmintechno mle Hausman檢驗 Hausman檢驗究竟選擇固定效應(yīng)模型還是隨機(jī)效應(yīng)模型 第一步 估計固定效應(yīng)模型 存儲結(jié)果xtreggdpinvestculturescihealthadmintechno feeststorefe第二步 估計隨機(jī)效應(yīng)模型 存儲結(jié)果xtreggdpinvestculturescihealthadmintechno reeststorere第三步 進(jìn)行hausman檢驗hausmanfe Hausman檢驗量為 H b B Var b Var B 1 b B x2 k Hausman統(tǒng)計量服從自由度為k的 2分布 當(dāng)H大于一定顯著水平的臨界值時 我們就認(rèn)為模型中存在固定效應(yīng) 從而選用固定效應(yīng)模型 否則選用隨機(jī)效應(yīng)模型如果hausman檢驗值為負(fù) 說明的模型設(shè)定有問題 導(dǎo)致Hausman檢驗的基本假設(shè)得不到滿足 遺漏變量的問題 或者某些變量是非平穩(wěn)等等可以改用hausman檢驗的其他形式 hausmanfe sigmaless 對于固定效應(yīng)模型的異方差檢驗和序列相關(guān)檢驗 Xtserialgdpinvestculturescihealthadmintechno異方差檢驗 xtreggdpinvestculturescihealthadmintechno fexttest3 ModifiedWaldstatisticforgroupwiseheteroskedasticityinfixedeffectmodel 隨機(jī)效應(yīng)模型的序列相關(guān)檢驗 xtreggdpinvestculturescihealthadmintechno reXttest1Xttest1用于檢驗隨機(jī)效應(yīng) 單尾和雙尾 一階序列相關(guān)以及兩者的聯(lián)合顯著檢驗結(jié)果表明存在隨機(jī)效應(yīng)和序列相關(guān) 而且對隨機(jī)效應(yīng)和序列相關(guān)的聯(lián)合檢驗也非常顯著 可以使用廣義線性模型xtgls對異方差和序列相關(guān)進(jìn)行修正 xtglsgdpinvestculturescihealthadmintechno panels hetero 修正異方差xtglsgdpinvestculturescihealthadmintechno panels correlated 修正依橫截面而變化的異方差xtglsgdpinvestculturescihealthadmintechno panels hetero corr ar1 修正異方差和一階序列相關(guān)ar 1