面板數(shù)據(jù)模型與stata軟件的應用.ppt

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

面板數(shù)據(jù)模型與stata軟件的應用 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濟增長時 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)上市公司財務數(shù)據(jù) 研究一段時期內 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系 共有20 11 220個觀測值強調經濟理論基礎 強調微觀行為基礎 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模型可以通過設置虛擬變量對個別差異 非觀測效應 進行控制 第二 PanelData模型通過對不同橫截面單元不同時間觀察值的結合 增加了自由度 減少了解釋變量之間的共線性 從而改進了估計結果的有效性 第三 PanelData模型是對同一截面單元集的重復觀察 能更好地研究經濟行為變化的動態(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量當?shù)氐娘嬀莆幕瘑挝坏缆返能囕v密度非觀測效應導致估計結果不準確 面板數(shù)據(jù)可以控制和估計非觀測效應 面板數(shù)據(jù)模型形式 其中 i 1 2 3 N 截面標示 t 1 2 T 時間標示 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 如個人的消費習慣 地區(qū)的經濟結構 法律和產權制度等 一般稱其為 個體效應 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 基礎設施更加完善 受教育程度較好 經濟結構以服務業(yè)為主 法制更健全 面板模型選擇 固定效應還是隨機效應 對 個體效應 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 相應的模型稱為 固定效應 模型 另一種是視其為隨機因素 相應的模型稱為 隨機效應 模型固定效應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 隨機效應模型則假設所有的個體具有相同的截距項 個體的差異主要反應在隨機干擾項的設定上 FE FixedEffects ModelRE RandomEffects Model其中 是截距中的隨機變量部分 代表個體的隨機影響 Replacewithdummyvariables 固定效應模型 1 例如 在研究財政支出與經濟增長的關系 運用全國的時間序列數(shù)據(jù)來檢驗財政支出與經濟增長的關系可能存在設定誤差并且受統(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整 造成各個地區(qū)財政支出結構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構與經濟增長的關系存在明顯的地區(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)經濟增長的過程中 以全國28個省區(qū)為研究對象 可以認為這28個省區(qū)幾乎代表了整個總體同時假設在樣本區(qū)間內 各省區(qū)的經濟結構人口素質等不可觀測的特質性因素是固定不變的 因此采用固定效應模型是比較合適的 2 而當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 可以認為個體居民在個人能力 消費習慣等方面的差異是隨機的 采用隨機效應模型較為合適隨機效應模型 RE認為個體的差異是隨機的 其中非觀測的個體差異效應與隨機擾動項一樣都是隨機變量 隨機效應模型 總結 如果把非觀測效應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 則模型為固定效應模型 如果把非觀測效應看作隨機變量 并且符合一個特定的分布 則模型為隨機效應模型 3 在實證分析中 一般通過hausman檢驗判斷 由于隨機效應模型把個體效應設定為干擾項的一部分 所以就要求解釋變量與個體效應不相關 而固定效應模型并不需要這個假設條件因此 我們可以通過檢驗該假設條件是否滿足 如果滿足 那么就應該采用隨機效應模型 反之 就需要采用固定效應模型 Hausman檢驗的基本思想是 在固定效應u i和其他解釋變數(shù)不相關的原假設下 用OLS估計的固定效應模型和用GLS估計的隨機效應模型的參數(shù)估計都是一致的 反之 OLS是一致的 但GLS則不是因此 在原假設下 二者的參數(shù)估計應該不會有系統(tǒng)的差異 我們可以基于二者參數(shù)估計的差異構造統(tǒng)計檢驗量 如果拒絕了原假設 我們就認為選擇固定效應模型是比較合適的 四 stata軟件簡介 STATA軟件估計與應用 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相關系數(shù) corgdpinvesteduscihealth簡單回歸 regressgdpinvestculturesci無常數(shù) regressgdpinvestculturesci noconstant 估計結果 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單一變量的相關圖 cprplotinvest 畫圖 菜單與命令結合twoway scattergdpinvest twoway scattergdpinvest lfitgdpinvest 基本建設支出與GDP的相關關系圖 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 隨機效應模型 Stata對面板數(shù)據(jù)模型的估計 首先對面板數(shù)據(jù)進行聲明 前面是截面單元 后面是時間標識 tssetcompanyyeartssetindustryyear產生新的變量 gennewvar human lnrd產生滯后變量Genfiscal 2 L2 fiscal產生差分變量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 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命令的應用 聲明面板數(shù)據(jù)類型 tssetshengt描述性統(tǒng)計 xtsumgdpinvestsciadmin1 固定效應模型估計 xtreggdpinvestculturescihealthadmintechno fe固定效應模型中個體效應和隨機干擾項的方差估計值 分別為sigmau和sigmae 二者之間的相關關系 rho 最后一行給出了檢驗固定效應是否顯著的F統(tǒng)計量和相應的P值 本例中固定效應非常顯著 2 隨機效應模型估計 xtreggdpinvestculturescihealthadmintechno re檢驗隨機效應模型是否優(yōu)于混合OLS模型 在進行隨機效應回歸之后 使用xttest0檢驗得到的P值為0 0000 表明隨機效應模型優(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模型還是隨機效應模型 第一步 估計固定效應模型 存儲結果xtreggdpinvestculturescihealthadmintechno feeststorefe第二步 估計隨機效應模型 存儲結果xtreggdpinvestculturescihealthadmintechno reeststorere第三步 進行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H大于一定顯著水平的臨界值時 我們就認為模型中存在固定效應 從而選用固定效應模型 否則選用隨機效應模型如果hausman檢驗值為負 說明的模型設定有問題 導致Hausman檢驗的基本假設得不到滿足 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 對于固定效應模型的異方差檢驗和序列相關檢驗 Xtserialgdpinvestculturescihealthadmintechno異方差檢驗 xtreggdpinvestculturescihealthadmintechno fexttest3 ModifiedWaldstatisticforgroupwiseheteroskedasticityinfixedeffectmodel 隨機效應模型的序列相關檢驗 xtreggdpinvestculturescihealthadmintechno reXttest1Xttest1用于檢驗隨機效應 單尾和雙尾 一階序列相關以及兩者的聯(lián)合顯著檢驗結果表明存在隨機效應和序列相關 而且對隨機效應和序列相關的聯(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進行修正 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ar 1