1、Lecture 22Baltagi白仲林著白仲林著Baltagi著著 白仲林主譯白仲林主譯因家庭調(diào)查得到的面板數(shù)據(jù)越來越多，面板數(shù)據(jù)的計(jì)量分析可以說是過去三十年社會(huì)應(yīng)用研究領(lǐng)域所取得的最重要的進(jìn)展。Fitzgerald, Gottschalk 和Moffitt（1998, P252）3數(shù)據(jù)類型“面板數(shù)據(jù)”一詞指的是一部分家庭、國家或企業(yè)等在一段時(shí)期內(nèi)的觀測值所構(gòu)成的集合。這樣的數(shù)據(jù)可以通過在一段時(shí)期內(nèi)對一些家庭或個(gè)體進(jìn)行跟蹤調(diào)查來獲得。4面板數(shù)據(jù)的優(yōu)勢 與截面數(shù)據(jù)模型相比較，面板數(shù)據(jù)模型控制了不可觀察經(jīng)濟(jì)變量所引致的OLS估計(jì)的偏差。 與時(shí)間序列模型相比較，面板數(shù)據(jù)模型擴(kuò)大了樣本信息，降低了經(jīng)

2、濟(jì)變量間的共線性，提高了估計(jì)量的有效性。 面板數(shù)據(jù)能更好地識(shí)別和度量時(shí)序或截面數(shù)據(jù)不可發(fā)覺的效應(yīng)。 有助于建立和檢驗(yàn)更復(fù)雜的行為模型。 更準(zhǔn)確地反映經(jīng)濟(jì)變量的動(dòng)態(tài)調(diào)整。 微觀面板數(shù)據(jù)豐富了微觀經(jīng)濟(jì)學(xué)的內(nèi)容。 宏觀面板數(shù)據(jù)使研究經(jīng)濟(jì)合作組織內(nèi)各國經(jīng)濟(jì)的協(xié)同效應(yīng)成為可能。5678面板數(shù)據(jù)用雙下標(biāo)變量表示。例如 yi t, i = 1, 2, , N; t = 1, 2, , TN表示面板數(shù)據(jù)中含有N個(gè)個(gè)體。T表示時(shí)間序列的最大長度。若固定t不變，yi ., ( i = 1, 2, , N)是橫截面上的N個(gè)隨機(jī)變量；若固定i不變，y. t, (t = 1, 2, , T)是縱剖面上的一個(gè)時(shí)間序列（個(gè)

3、體）。N=7，T=50的面板數(shù)據(jù)示意圖9102000300040005000600070008000900010000110001996199719981999200020012002CPAHCPBJCPFJCPHBCPHLJCPJLCPJSCPJXCPLNCPNMGCPSDCPSHCPSXCPTJCPZJ20004000600080001000012000140001996199719981999200020012002IPAHIPBJIPFJIPHBIPHLJIPJLIPJSIPJXIPLNIPNMGIPSDIPSHIPSXIPTJIPZJ1120004000600080001000012

4、000140002468101214CP1996CP1997CP1998CP1999CP2000CP2001CP200220004000600080001000012000140002468101214IP1996IP1997IP1998IP1999IP2000IP2001IP2002122000300040005000600070008000900010000110002000400060008000100001200014000IPCROSSCP1996CP1997CP1998CP1999CP2000CP2001CP2002IP2,0003,0004,0005,0006,0007,0008

5、,0009,00010,00011,0003,0005,0007,0009,00011,00013,000CP_IAHCP_IBJCP_IFJCP_IHBCP_IHLJCP_IJLCP_IJSCP_IJXCP_ILNCP_INMGCP_ISDCP_ISHCP_ISXCP_ITJCP_IZJIP132000300040005000600070008000900010000110002000400060008000100001200014000IPCROSSCP1996CP1997CP1998CP1999CP2000CP2001CP2002IP用原變量建模還是用對數(shù)變量建模用原變量建模還是用對數(shù)變

6、量建模? ?142000300040005000600070008000900010000110002000400060008000100001200014000CP_1996CP_2002IP_T 2,0003,0004,0005,0006,0007,0008,0009,00010,00011,0003,0005,0007,0009,00011,00013,000CP_INMGCP_IBJIP1516 EViwes估計(jì)方法：在打開工作文件窗口的基礎(chǔ)上，點(diǎn)擊主功能菜單中的Objects鍵，選New Object功能，從而打開New Object（新對象）選擇窗。在Type of Object選

7、擇區(qū)選擇Pool（混合數(shù)據(jù)庫），點(diǎn)擊OK鍵，從而打開Pool（混合數(shù)據(jù)）窗口。在窗口中輸入15個(gè)地區(qū)標(biāo)識(shí)AH（安徽）、BJ（北京）、ZJ（浙江）。工具欄中點(diǎn)擊Sheet鍵，從而打開Series List（列寫序列名）窗口，定義變量CP?和IP?，點(diǎn)擊OK鍵，Pool（混合或合并數(shù)據(jù)庫）窗口顯示面板數(shù)據(jù)。在Pool窗口的工具欄中點(diǎn)擊Estimate鍵，打開Pooled Estimation（混合估計(jì)）窗口如下圖。1718 在Dependent Variable（因變量）選擇窗填入CP?；在Common coefficients（系數(shù)相同）選擇窗填入IP?；Cross section specif

8、ic coefficients（截面系數(shù)不同）選擇窗保持空白；在Intercept（截距項(xiàng)）選擇窗點(diǎn)擊Common；在Weighting（權(quán)數(shù)）選擇窗點(diǎn)擊No weighting。點(diǎn)擊Pooled Estimation（混合估計(jì)）窗口中的OK鍵。19itCP20 如果從時(shí)間和截面上看模型截距都為零，就可以建立不含截距項(xiàng)的（ = 0）的混合估計(jì)模型。以二變量模型為例，建立混合估計(jì)模型如下， yit = 1 xit +it, i = 1, 2, , N; t = 1, 2, , T (2) 對于本例，因?yàn)樯鲜街械慕鼐囗?xiàng)有顯著性（t = 2.0 t0.05 (103) = 1.99），所以建立截距項(xiàng)

9、為零的混合估計(jì)模型是不合適的。 EViwes估計(jì)方法：在Pooled Estimation（混合估計(jì)）對話框中Intercept（截距項(xiàng)）選擇窗中選None，其余選項(xiàng)同上。2122232425從結(jié)果看，北京、上海、浙江是自發(fā)消從結(jié)果看，北京、上海、浙江是自發(fā)消費(fèi)（消費(fèi)函數(shù)截距）最大的費(fèi)（消費(fèi)函數(shù)截距）最大的3個(gè)地區(qū)。個(gè)地區(qū)。2627 注意：（1 ）個(gè)體固定效應(yīng)模型的EViwes輸出結(jié)果中沒有公共截距項(xiàng)。（2 ） EViwes輸出結(jié)果中沒有給出描述個(gè)體效應(yīng)的截距項(xiàng)相應(yīng)的標(biāo)準(zhǔn)差和t值。不認(rèn)為截距項(xiàng)是模型中的重要參數(shù)。（3）當(dāng)對個(gè)體固定效應(yīng)模型選擇加權(quán)估計(jì)時(shí)，輸出結(jié)果將給出加權(quán)估計(jì)和非加權(quán)估計(jì)兩種統(tǒng)

10、計(jì)量評(píng)價(jià)結(jié)果。（4）輸出結(jié)果的聯(lián)立方程組形式可以通過點(diǎn)擊View選Representations功能獲得。（5）點(diǎn)擊View選Wald Coefficient Tests功能可以對模型的斜率進(jìn)行Wald檢驗(yàn)。（6）點(diǎn)擊View選Residuals/Table, Graphs, Covariance Matrix, Correlation Matrix功能可以分別得到按個(gè)體計(jì)算的殘差序列表，殘差序列圖，殘差序列的方差協(xié)方差矩陣，殘差序列的相關(guān)系數(shù)矩陣。（7）點(diǎn)擊Procs選Make Model功能，將會(huì)出現(xiàn)估計(jì)結(jié)果的聯(lián)立方程形式，進(jìn)一步點(diǎn)擊Solve鍵，在隨后出現(xiàn)的對話框中可以進(jìn)行動(dòng)態(tài)和靜態(tài)預(yù)測

11、。2829303132333435363. 面板數(shù)據(jù)模型估計(jì)方法37383940414243444546474849 50 2,0003,0004,0005,0006,0007,0008,0009,00010,00011,0002,0004,0006,0008,00010,00012,00014,000IPCPpooled regression7.88.08.28.48.68.89.09.29.48.08.28.48.68.89.09.29.49.6LOG(IP)LOG(CP) 人均消費(fèi)對收入的面板數(shù)據(jù)散點(diǎn)圖人均消費(fèi)對收入的面板數(shù)據(jù)散點(diǎn)圖 對數(shù)的人均消費(fèi)對收入的面板數(shù)據(jù)散點(diǎn)圖對數(shù)的人均消費(fèi)對收

12、入的面板數(shù)據(jù)散點(diǎn)圖5面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析案例案例1（file:5panel02）：）：1996-2002年中國東北、華北、華東年中國東北、華北、華東15個(gè)省級(jí)地區(qū)的居個(gè)省級(jí)地區(qū)的居民家庭固定價(jià)格的人均消費(fèi)（民家庭固定價(jià)格的人均消費(fèi)（CP）和人均收入（）和人均收入（IP）數(shù)據(jù)見）數(shù)據(jù)見file:panel02。數(shù)據(jù)。數(shù)據(jù)是是7年的，每一年都有年的，每一年都有15個(gè)數(shù)據(jù)，共個(gè)數(shù)據(jù)，共105組觀測值。組觀測值。515面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析個(gè)體固定效應(yīng)模型估計(jì)結(jié)果如下：個(gè)體固定效應(yīng)模型估計(jì)結(jié)果如下： LnCPit = 0.6878 + 0.8925 LnIPit

13、+ it (5.4) (60.6) R2 = 0.99, DW = 1.5525面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析混合模型與個(gè)體固定效應(yīng)模型比較，應(yīng)該建立個(gè)體固定效應(yīng)模型?；旌夏Ｐ团c個(gè)體固定效應(yīng)模型比較，應(yīng)該建立個(gè)體固定效應(yīng)模型。535面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析個(gè)體隨機(jī)效應(yīng)模型與個(gè)體固定效應(yīng)模型比較，應(yīng)該建立個(gè)體固定效應(yīng)模型。個(gè)體隨機(jī)效應(yīng)模型與個(gè)體固定效應(yīng)模型比較，應(yīng)該建立個(gè)體固定效應(yīng)模型。54552,0003,0004,0005,0006,0007,0008,0009,00010,00011,0002,0004,0006,0008,00010,00012,00014,00

14、0CPAHCPAHFCPBJCPBJFCPFJCPFJFCPHBCPHBFCPHLJCPHLJFCPJLCPJLFCPJSCPJSFCPJXCPJXFCPLNCPLNFIPTIME2,0003,0004,0005,0006,0007,0008,0009,00010,00011,0002,0004,0006,0008,00010,00012,00014,000CPNMGCPNMGFCPSDCPSDFCPSHCPSHFCPSXCPSXFCPTJCPTJFCPZJCPZJFIPTIME（file：6panel02c，graph06） （file：6panel02c，graph07） 56570.51

15、.01.52.02.53.03.54.04.50.00.40.81.21.62.02.42.8BEERTAXVFR585960616263例例3: 加入人力資本的生產(chǎn)函數(shù)研究加入人力資本的生產(chǎn)函數(shù)研究05,00010,00015,00020,00025,00030,00035,00040,00002,5005,0007,50010,00012,50015,000YBJYTJYHEBYSXCYNMGYLNYJLYHLJYSHYJSYZJYAHYFJYJXYSDYHENYHUBYHUNYGDYGXYHNYSCYGZYYNYSXYGSYQHYNXYXJK678910115.05.56.06.57.0

16、7.58.08.59.09.510.0LNYAH01LNYBJ01LNYGD01LNYGS01LNYGX01LNYGZ01LNYHEB01LNYHEN01LNYHLJ01LNYHN01LNYHUB01LNYHUN01LNYJL01LNYJS01LNYJX01LNYLN01LNYNMG01LNYNX01LNYQH01LNYSC01LNYSD01LNYSH01LNYSXC01LNYTJ01LNYXJ01LNYYN01LNYZJ01LOG(K)人均產(chǎn)出人均產(chǎn)出 y 對人均資對人均資本本 K 的面板數(shù)據(jù)散點(diǎn)的面板數(shù)據(jù)散點(diǎn)圖圖對數(shù)形式人均產(chǎn)對數(shù)形式人均產(chǎn)出出 Lny 對人均資對人均資本本 LnK 的面板

17、的面板數(shù)據(jù)散點(diǎn)圖數(shù)據(jù)散點(diǎn)圖5面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析645面板數(shù)據(jù)建模案例分析面板數(shù)據(jù)建模案例分析例例3: 加入人力資本的生產(chǎn)函數(shù)研究加入人力資本的生產(chǎn)函數(shù)研究05,00010,00015,00020,00025,00030,00035,00040,0004567891011YAHYBJYFJYGDYGSYGXYGZYHEBYHENYHLJYHNYHUBYHUNYJLYJSYJXYLNYNMGYNXYQHYSCYSDYSHYSXYSXCYTJYXJYYNYZJEDU678910114567891011LNYAH01LNYBJ01LNYGD01LNYGS01LNYGX01LNYG

18、Z01LNYHEB01LNYHEN01LNYHLJ01LNYHN01LNYHUB01LNYHUN01LNYJL01LNYJS01LNYJX01LNYLN01LNYNMG01LNYNX01LNYQH01LNYSC01LNYSD01LNYSH01LNYSXC01LNYTJ01LNYXJ01LNYYN01LNYZJ01EDU人均產(chǎn)出人均產(chǎn)出 Lny 對人均對人均受教育時(shí)間受教育時(shí)間 edu 的面的面板數(shù)據(jù)散點(diǎn)圖板數(shù)據(jù)散點(diǎn)圖對數(shù)形式人均產(chǎn)出對數(shù)形式人均產(chǎn)出Lny 對人均受教育時(shí)對人均受教育時(shí)間間 edu 的面板數(shù)據(jù)的面板數(shù)據(jù)散點(diǎn)圖散點(diǎn)圖結(jié)合圖形分析，建立如下計(jì)量模型結(jié)合圖形分析，建立如下計(jì)量模型:it

19、ititititu+edu+lnk+c=lny656667686970717273747576040000080000012000001600000200000024000000100002000030000400005000060000RGDPSO2_95SO2_96SO2_97SO2_98SO2_99SO2_00SO2_01SO2_02SO2_03SO2_04SO2_05SO2_067778791000002000003000004000005000006000007000008000000100002000030000400005000060000so2rgdp80818283848501234567-0.4-0.20.00.20.40.60.8