面板數(shù)據(jù)模型計量經(jīng)濟(jì)學(xué)(陶長琪).ppt

《面板數(shù)據(jù)模型計量經(jīng)濟(jì)學(xué)(陶長琪).ppt》由會員分享，可在線閱讀，更多相關(guān)《面板數(shù)據(jù)模型計量經(jīng)濟(jì)學(xué)(陶長琪).ppt（51頁珍藏版）》請在裝配圖網(wǎng)上搜索。

第九章面板數(shù)據(jù)模型 第一節(jié)面板數(shù)據(jù)第二節(jié)面板數(shù)據(jù)回歸模型概述第三節(jié)混合回歸模型第四節(jié)變截距回歸模型第五節(jié)變系數(shù)回歸模型第六節(jié)效應(yīng)檢驗與模型形式設(shè)定檢驗第七節(jié)面板數(shù)據(jù)的單位根檢驗和協(xié)整檢驗第八節(jié)案例分析 面板數(shù)據(jù) PanelData 也叫平行數(shù)據(jù) 指某一變量關(guān)于橫截面和時間兩個維度的數(shù)據(jù) 記為xit 其中 表示N個不同的對象 如國家 省 縣 行業(yè) 企業(yè) 個人 表示T個觀測期 第一節(jié)面板數(shù)據(jù) 平衡面板數(shù)據(jù) 非平衡面板數(shù)據(jù) 擴(kuò)展的面板模型 1 偽面板模型 如果按照某種屬性 例如 年齡 職業(yè)和身份等 將各期調(diào)查對象分成不同的群 對于各個觀測期 選擇各群內(nèi)觀測數(shù)據(jù)的均值 中位數(shù)或分位數(shù) 即可構(gòu)造以群為 個體 單位的面板數(shù)據(jù) 我們把這種以群為個體而構(gòu)造的人工面板數(shù)據(jù)為偽面板數(shù)據(jù) PseudoPanelData 2 輪換面板模型 同一個個體可能不愿被一次又一次的被回訪 為了保持調(diào)查中個體數(shù)目相同 在第二期調(diào)查中退出的部分個體 被相同數(shù)目的新的個體所替代 這種允許研究者檢驗 抽樣時間 偏倚效應(yīng) 初次采訪和隨后的采訪之間的回答有顯著的改變 的存在性叫輪換面板 對于輪換面板 每批加到面板的新個體組提供了檢驗抽樣時間偏倚效應(yīng)的方法 3 空間面板模型 當(dāng)考慮國家 地區(qū) 州 縣等相關(guān)截面數(shù)據(jù)時 這些總量個體可能表現(xiàn)出必須處理的截面相關(guān)性 現(xiàn)在有大量運用空間數(shù)據(jù)的文獻(xiàn)處理這種相關(guān)性 這種空間相依模型在區(qū)域科學(xué)和城市經(jīng)濟(jì)學(xué)中比較普遍 具體來說 這些模型使用經(jīng)濟(jì)距離測度設(shè)定了面板數(shù)據(jù)的空間自相關(guān)性和空間結(jié)構(gòu) 空間異質(zhì)性 4 計數(shù)面板模型 被解釋變量是計數(shù)面板數(shù)據(jù)的例子很多 例如 一段時間內(nèi)一家公司的竟標(biāo)次數(shù) 一個人去看醫(yī)生的次數(shù) 每天吸煙者的數(shù)量及一個研發(fā)機(jī)構(gòu)登記專利的數(shù)目 雖然可以運用傳統(tǒng)面板回歸模型對計數(shù)面板數(shù)據(jù)建模 但鑒于被解釋變量具有0及非負(fù)離散取值的特征 運用泊松面板回歸模型建模更為合適 第二節(jié)面板數(shù)據(jù)回歸模型概述 一 面板數(shù)據(jù)回歸模型的一般形式其中 i 1 2 N表示個N個體 t 1 2 T表示T個時期 yit為被解釋變量 表示第i個個體在t時期的觀測值 xkit是解釋變量 表示第k個解釋變量對于個體i在時期t的觀測值 是待估參數(shù) uit是隨機(jī)干擾項 二 面板數(shù)據(jù)回歸模型的分類 根據(jù)對截距項和解釋變量系數(shù)的不同假設(shè) 面板數(shù)據(jù)回歸模型常用 混合回歸模型 變截距回歸模型和變系數(shù)回歸模型3種類型 混合回歸模型的模型形式為 第三節(jié)混合回歸模型 從截面上看 不同個體之間不存在顯著性差異 一 混合回歸模型假設(shè)假設(shè)1 隨機(jī)干擾項向量U的期望為零向量 假設(shè)2 不同個體隨機(jī)干擾項之間相互獨立 假設(shè)3 隨機(jī)誤差項方差為常數(shù) 假設(shè)4 隨機(jī)誤差項與解釋變量相互獨立 假設(shè)5 解釋變量之間不存在多重共線性 假設(shè)6 隨機(jī)誤差項向量服從正態(tài)分布 即 二 混合回歸模型參數(shù)估計混合回歸模型與一般的回歸模型無本質(zhì)區(qū)別 只要模型滿足假設(shè)1 6 可用OLS法估計參數(shù) 且估計量是線性 無偏 有效和一致的 若將假設(shè)3的同方差弱化為存在異方差 即 則混合回歸模型的無偏有效估計量為 未知參數(shù)有一致估計為 是第i個個體的回歸模型的OLS回歸殘差 三 混合回歸模型估計的Eviews操作 第四節(jié)變截距回歸模型 變截距模型是面板數(shù)據(jù)模型中最常見的一種形式 該模型允許個體成員存在個體影響 并用截距項的差別來說明 截距項反應(yīng)的是個體影響 如果個體影響是非隨機(jī)的常量 該模型被稱為個體固定效應(yīng)變截距模型 如果個體影響是隨機(jī)的 該模型被稱為隨機(jī)效應(yīng)變截距模型 假定在截面?zhèn)€體成員上截距項不同 而模型的解釋變量系數(shù)是相同的 變截距回歸模型的模型形式為 需要估計的參數(shù)個數(shù) N K個 一 固定效應(yīng)變截距回歸模型 固定效應(yīng)變截距回歸模型的模型形式為 最小二乘虛擬變量模型 固定效應(yīng)變截距回歸模型估計 個體 如果隨機(jī)干擾項 解釋變量滿足基本假定 則利用普通最小二乘法可以得到模型參數(shù)的無偏 有效一致估計量 1 最小二乘虛擬變量 LSDV 估計 如果隨機(jī)干擾項不滿足同方差或相互獨立的基本假定 則需要利用廣義最小二乘法 GLS 對模型進(jìn)行估計 2 固定效應(yīng)變截距模型的廣義最小二乘估計 主要考慮4種基本的方差結(jié)構(gòu) 個體成員截面異方差 時期異方差 同期相關(guān)協(xié)方差和時期間相關(guān)協(xié)方差 如果隨機(jī)干擾項滿足同方差且同期不相關(guān) 但隨機(jī)干擾項與解釋變量相關(guān) 這時 無論是OLS估計量還是GLS估計量都是有偏非一致估計量 此時需要采用二階段最小二乘法 2SLS 對模型進(jìn)行估計 3 固定效應(yīng)變截距模型的二階段最小二乘估計 二 隨機(jī)效應(yīng)變截距回歸模型 個體 模型進(jìn)一步假設(shè) 模型存在的問題 同一個體成員 不同時期的隨機(jī)干擾項之間存在一定的相關(guān)性 普通OLS估計雖然仍是無偏和一致估計 但其不再有效估計 因此 一般用廣義最小二乘法 GLS 對隨機(jī)效應(yīng)模型進(jìn)行估計 方差成分模型 方差成分GLS法 隨機(jī)效應(yīng)變截距模型的估計 EViews按下列步驟估計隨機(jī)效應(yīng)變截距模型 個體 第五節(jié)變系數(shù)回歸模型 前面所介紹的變截距模型中 橫截面成員的個體影響是用變化的截距來反映的 即用變化的截距來反映模型中忽略的反映個體差異的變量的影響 然而現(xiàn)實中變化的經(jīng)濟(jì)結(jié)構(gòu)或不同的社會經(jīng)濟(jì)背景等因素有時會導(dǎo)致反映經(jīng)濟(jì)結(jié)構(gòu)的參數(shù)隨著橫截面?zhèn)€體的變化而變化 因此 當(dāng)現(xiàn)實數(shù)據(jù)不支持變截距模型時 便需要考慮這種系數(shù)隨橫截面?zhèn)€體的變化而改變的變系數(shù)模型 這種情形意味著模型在截面上既存在個體影響 又存在結(jié)構(gòu)變化 我們又稱該模型為無約束回歸模型 變系數(shù)模型假定在截面?zhèn)€體成員上截距項和模型的解釋變量系數(shù)都不同 需要估計的參數(shù)個數(shù) N K 1 個 EViews按下列步驟估計變系數(shù)模型 第六節(jié)效應(yīng)檢驗與模型形式設(shè)定檢驗 建立面板數(shù)據(jù)模型前的首要任務(wù)是確定被解釋變量與截距項和系數(shù)的關(guān)系 截距項是否相同 系數(shù)是否一致 是固定效應(yīng)還是隨機(jī)效應(yīng)模型 從而避免模型設(shè)定的偏差 改進(jìn)參數(shù)估計的有效性 一 Hausman檢驗在實際應(yīng)用中 究竟是采用固定效應(yīng)模型還是采用隨機(jī)效應(yīng)模型 我們可以進(jìn)行模型設(shè)定檢驗 豪斯曼Hausman 1978 提出了一種嚴(yán)格的統(tǒng)計檢驗方法 Hausman檢驗 固定效應(yīng)模型LSDV估計量無偏 GLS估計量有偏隨機(jī)效應(yīng)模型LSDV和GLS估計量都無偏 但LSDV估計量有較大方差固定效應(yīng)模型LSDV估計量和GLS估計量的估計結(jié)果有較大的差異隨機(jī)效應(yīng)模型LSDV估計量和GLS估計量的估計結(jié)果就比較接近 Hausman檢驗的原理 Hausman檢驗的原假設(shè)與被擇假設(shè) H0 個體隨機(jī)效應(yīng)回歸模型H1 個體固定效應(yīng)回歸模型 設(shè)b 分別為回歸系數(shù)的LSDV估計向量 GLS估計向量 如果真實模型是個體隨機(jī)效應(yīng)回歸模型 那么b和二者差異應(yīng)該比較小 如果真實模型是個體固定效應(yīng)回歸模型 那么b和二者差異應(yīng)該比較大 Hausman證明在原假設(shè)下 統(tǒng)計量W服從自由度為K 模型中解釋變量的個數(shù) 的分布 即 構(gòu)造Hausman檢驗的W統(tǒng)計量 為之差的方差 即 為了實現(xiàn)Hausman檢驗 必須首先估計一個隨機(jī)效應(yīng)模型 然后 選擇View Fixed RandomEffectsTesting CorrelatedRandomEffects HausmanTest EViews將自動估計相應(yīng)的固定效應(yīng)模型 計算檢驗統(tǒng)計量 顯示檢驗結(jié)果和輔助回歸結(jié)果 Hausman檢驗的EViews操作 二 模型形式設(shè)定檢驗 如果模型設(shè)定不正確 參數(shù)估計將造成較大的偏差 所以 在建立面板數(shù)據(jù)模型的第一步便是檢驗樣本數(shù)據(jù)究竟屬于混合回歸模型 變截距回歸模型還是變系數(shù)回歸模型形式 從而避免模型設(shè)定的偏誤 經(jīng)常使用的檢驗是協(xié)方差分析檢驗 F檢驗 主要分兩步進(jìn)行檢驗 第一步檢驗 是否混合模型 H02 混合回歸模型 受約束 H01 變截距回歸模型 受約束 第二步檢驗 是否變截距回歸模型 如果接受假設(shè)H02 則可以認(rèn)為模型為混合回歸模型 無需進(jìn)行下一步的檢驗 如果拒絕假設(shè)H02 則需檢驗假設(shè)H01 第一步檢驗 是否混合模型 H02 混合回歸模型 受約束 如果接受假設(shè)H01 則可以認(rèn)為模型為變截距回歸模型 如果拒絕假設(shè)H01 則認(rèn)為模型為變系數(shù)回歸模型 H01 變截距回歸模型 受約束 第二步檢驗 是否變截距回歸模型 下面介紹假設(shè)檢驗的F統(tǒng)計量的計算方法 首先計算變系數(shù)回歸模型的殘差平方和 記為S0 變截距回歸模型的殘差平方和記為S1 混合回歸模型的殘差平方和記為S2 構(gòu)造并計算統(tǒng)計量 例9 3 第七節(jié)面板數(shù)據(jù)的單位根檢驗和協(xié)整檢驗 一 面板數(shù)據(jù)的單位根檢驗 一 面板數(shù)據(jù)的單位根檢驗分類 二 面板數(shù)據(jù)的單位根檢驗應(yīng)用舉例二 面板數(shù)據(jù)的協(xié)整檢驗 一 檢驗方法分類 二 面板數(shù)據(jù)協(xié)整檢驗的應(yīng)用舉例 一般情況下可以將面板數(shù)據(jù)的單位根檢驗劃分為兩大類 一類為相同根情形下的單位根檢驗 檢驗方法包括LLC Levin Lin Chu 檢驗 Breitung檢驗 另一類為不同根情形下的單位根檢驗 檢驗方法包括Im Pesaran Skin檢驗 Fisher ADF檢驗和Fisher PP檢驗 一 面板數(shù)據(jù)的單位根檢驗 一 面板數(shù)據(jù)的單位根檢驗分類 二 面板數(shù)據(jù)的單位根檢驗應(yīng)用舉例 面板數(shù)據(jù)的協(xié)整檢驗方法可以分為兩大類 一類是建立在EngleandGranger二步法檢驗基礎(chǔ)上的面板協(xié)整檢驗 具體方法主要有Pedroni檢驗和Kao檢驗 另一類是建立在Johansen協(xié)整檢驗基礎(chǔ)上的面板協(xié)整檢驗 二 面板數(shù)據(jù)的協(xié)整檢驗 一 檢驗方法分類 1 Pedroni檢驗Pedroni提出了基于EngleandGranger二步法的面板數(shù)據(jù)協(xié)整檢驗方法 該方法以協(xié)整方程的回歸殘差為基礎(chǔ)構(gòu)造7個統(tǒng)計量來檢驗面板變量之間的協(xié)整關(guān)系 2 Kao檢驗Kao檢驗和Pedroni檢驗遵循同樣的方法 都是基于EngleandGranger二步法而發(fā)展起來的 但不同于Pedroni檢驗 Kao檢驗在第一階段將回歸方程設(shè)定為系數(shù)相同 截距項不同 第二階段基于DF檢驗和ADF檢驗的原理 對第一階段求得的殘差序列進(jìn)行平穩(wěn)性檢驗 二 面板數(shù)據(jù)協(xié)整檢驗的應(yīng)用舉例