演示文稿面板數(shù)據(jù)的處理當前第1頁\共有53頁\編于星期五\5點（優(yōu)選）面板數(shù)據(jù)的處理當前第2頁\共有53頁\編于星期五\5點引言如果想估計我國的“消費函數(shù)”如果我有2005年31個省市自治區(qū)的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)則畫散點圖；做回歸；當前第3頁\共有53頁\編于星期五\5點當前第4頁\共有53頁\編于星期五\5點引言利用2005年31個省市自治區(qū)的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)：

CONS=-10.51+1.31*INCOME當前第5頁\共有53頁\編于星期五\5點引言如果想估計我國的“消費函數(shù)”如果我有北京市2000—2008年的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)則畫散點圖；做回歸；當前第6頁\共有53頁\編于星期五\5點當前第7頁\共有53頁\編于星期五\5點引言利用北京市2000—2008年的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)：

CONS=-4732.85+1.72*INCOME當前第8頁\共有53頁\編于星期五\5點引言如果想估計我國的“消費函數(shù)”如果我有31個省市自治區(qū)，從2000—2008年的“家庭可支配收入”與“家庭消費”的數(shù)據(jù)應(yīng)該如何做回歸？當前第9頁\共有53頁\編于星期五\5點引言可能的處理方法：謹慎型無知者無謂型當前第10頁\共有53頁\編于星期五\5點引言謹慎型估計31個不同地區(qū)的消費方程；本質(zhì)假設(shè)：消費行為在不同地區(qū)之間有差異，但同一地區(qū)在不同時間內(nèi)沒有差異；當前第11頁\共有53頁\編于星期五\5點引言謹慎型估計9個不同時期的全國消費方程；本質(zhì)假設(shè)：消費行為在不同地區(qū)之間沒有差異，但同一地區(qū)在不同時間內(nèi)有差異；當前第12頁\共有53頁\編于星期五\5點引言無知者無謂型把所有數(shù)據(jù)混在一起做回歸；本質(zhì)假設(shè)：消費行為在不同地區(qū)之間沒有差異，同一地區(qū)在不同時間內(nèi)也沒有差異；當前第13頁\共有53頁\編于星期五\5點引言上述處理方法的缺陷沒有充分利用數(shù)據(jù)；無法避免遺漏變量的影響；有時候無法進行上述處理；當前第14頁\共有53頁\編于星期五\5點面板數(shù)據(jù)的處理一、基本概念二、案例：啤酒稅與交通死亡率之間的回歸當前第15頁\共有53頁\編于星期五\5點面板數(shù)據(jù)的處理一、基本概念面板數(shù)據(jù)（paneldata）平衡面板數(shù)據(jù)、非平衡面板數(shù)據(jù)(balancedpaneldata)當前第16頁\共有53頁\編于星期五\5點二、案例研究:

啤酒稅與交通死亡率

當前第17頁\共有53頁\編于星期五\5點U.S.trafficdeathdatafor1982:較高的酒精稅，更多的交通死亡嗎？

$1982當前第18頁\共有53頁\編于星期五\5點U.S.trafficdeathdatafor1988較高的酒精稅，更多的交通死亡嗎？

當前第19頁\共有53頁\編于星期五\5點啤酒稅越高，交通死亡率越高？？？

當前第20頁\共有53頁\編于星期五\5點遺漏因素可能引起遺漏變量偏誤。

Example#1:trafficdensity.Suppose:

(i)

Hightrafficdensitymeansmoretrafficdeaths

(ii)

(Western)stateswithlowertrafficdensityhaveloweralcoholtaxes

·

特別地，“高稅收”可能反映“高的交通密度”(所以O(shè)LS系數(shù)可能是正偏誤–高稅收，更多的死亡)

·

當遺漏變量在給定的州內(nèi)并不隨著時間變化而改變時，面板數(shù)據(jù)可以讓我們消除遺漏變量偏誤。

當前第21頁\共有53頁\編于星期五\5點兩時期面板數(shù)據(jù)當前第22頁\共有53頁\編于星期五\5點SupposeEu|BeerTax,i)=0.主要的想法:

從1982到1988年死亡率的任何改變，不可能由Zi引起，因為(byassumption)在1982到1988年期間

Zi

沒有改變

數(shù)學(xué):considerfatalityratesin1988and1982:

FatalityRatei1988=b0+b1BeerTaxi1988+b2Zi+ui1988

FatalityRatei1982=b0+b1BeerTaxi1982+b2Zi+ui1982

(ititZ

把兩個時期的回歸方程相減當前第23頁\共有53頁\編于星期五\5點FatalityRatei1988=b0+b1BeerTaxi1988+b2Zi+ui1988

FatalityRatei1982=b0+b1BeerTaxi1982+b2Zi+ui1982

so

FatalityRatei1988

–

FatalityRatei1982=

b1(BeerTaxi1988

–

BeerTaxi1982)+(ui1988

–

ui1982)

·

新的誤差項,(ui1988

–

ui1982),與BeerTaxi1988或BeerTaxi1982.都不相關(guān)。

·

這個“相減的”等式可以用OLS進行估計,盡管Zi

無法觀測。

當前第24頁\共有53頁\編于星期五\5點啤酒稅與交通死亡率當前第25頁\共有53頁\編于星期五\5點FatalityRatev.BeerTax:當前第26頁\共有53頁\編于星期五\5點固定效應(yīng)的回歸

FixedEffectsRegressionWhatifyouhavemorethan2timeperiods(T>2)?

Yit=b0+b1Xit+b2Zi+uit,i=1,…,n,T=1,…,T

Wecanrewritethisintwousefulways:

1.

“n-1二元自變量”regressionmodel

2.

“固定效應(yīng)”regressionmodel

當前第27頁\共有53頁\編于星期五\5點Yit=b0+b1Xit+b2Zi+ui,i=1,…,n,T=1,…,T

我們首先重寫為“固定效應(yīng)”的形式.Supposewehave

n=3states:California,Texas,Massachusetts.

當前第28頁\共有53頁\編于星期五\5點Yit=b0+b1Xit+b2Zi+ui,i=1,…,n,T=1,…,T

California(thatis,i=CA)的總體回歸:

YCA,t=b0+b1XCA,t+b2ZCA+uCA,t

=(b0+b2ZCA)+

b1XCA,t+uCA,t

or

YCA,t=aCA+

b1XCA,t+uCA,t

·

aCA=b0+b2ZCA

不隨時間改變

·

aCA是CA的截距,b1

是斜率

·

截距對CA是獨特的,但是斜率對所有州是相同的:平行線.

當前第29頁\共有53頁\編于星期五\5點ForTX:

YTX,t=b0+b1XTX,t+b2ZTX+uTX,t

=(b0+b2ZTX)+

b1XTX,t+uTX,t

or

YTX,t=aTX+

b1XTX,t+uTX,t,whereaTX=b0+b2ZTX

收集所有三個州的直線:

YCA,t=aCA+

b1XCA,t+uCA,t

YTX,t=aTX+

b1XTX,t+uTX,t

YMA,t=aMA+

b1XMA,t+uMA,t

or

Yit=ai+b1Xit+uit,i=CA,TX,MA,T=1,…,T

當前第30頁\共有53頁\編于星期五\5點Theregressionlinesforeachstateinapicture當前第31頁\共有53頁\編于星期五\5點當前第32頁\共有53頁\編于星期五\5點總結(jié):兩種方法寫出固定效應(yīng)模型“n-1二元自變量”的形式當前第33頁\共有53頁\編于星期五\5點固定效應(yīng)回歸的參數(shù)估計三種估計方法:

1.

“n-1二元自變量”O(jiān)LS回歸

2.

“Entity-demeaned（個體中心化）”O(jiān)LS回歸

3.

“改變”設(shè)定,無截距(僅僅適用于T=2)

·

三種方法可以找出相同的回歸系數(shù)的估計和相同的標準誤差。

·

我們已經(jīng)進行了“改變”的設(shè)定(1988minus1982)–

但是僅僅適用于T=2年

·

方法#1和#2適用于一般的T

·

方法#1僅僅適用于當n

不是太大的實踐。

當前第34頁\共有53頁\編于星期五\5點1.“n-1binaryregressors”O(jiān)LSregression當前第35頁\共有53頁\編于星期五\5點2.“Entity-demeaned”O(jiān)LSregression當前第36頁\共有53頁\編于星期五\5點2.“Entity-demeaned”O(jiān)LSregression當前第37頁\共有53頁\編于星期五\5點2.“Entity-demeaned”O(jiān)LSregression當前第38頁\共有53頁\編于星期五\5點Example.Forn=48,T=7:當前第39頁\共有53頁\編于星期五\5點RegressionwithTimeFixedEffects當前第40頁\共有53頁\編于星期五\5點Timefixedeffectsonly當前第41頁\共有53頁\編于星期五\5點面板數(shù)據(jù)處理方法的本質(zhì)為了解決“由于無法觀測而遺漏重要變量”的問題！例如，利用“截面數(shù)據(jù)”構(gòu)造回歸方程：其中但是，X2是無法觀測的！怎么辦？？？當前第42頁\共有53頁\編于星期五\5點處理方法一對每一個個體多觀測幾期（T期）于是有X2,i1,X2,i2,…X2,iT

假設(shè)：該變量（X2

）在不同時期都相等！但對不同個體之間有差異。例如：酒精稅在各州是不同的，但在考察期內(nèi)沒有變化。當前第43頁\共有53頁\編于星期五\5點處理方法一假設(shè)：該變量（X2

）在不同時期都相等！但對不同個體之間有差異。固定效應(yīng)模型當前第44頁\共有53頁\編于星期五\5點Yit=b0+b1Xit+b2Zi+ui,i=1,…,n,T=1,…,T

Supposewehaven=3states:California,Texas,Massachusetts案例：酒精稅與交通死亡率的回歸當前第45頁\共有53頁\編于星期五\5點Theregressionlinesforeachstateinapicture

Y

=aCA+

b1X

Y

=aTX+

b1X

Y

=aMA+

b1X

aMA

aTX

aCA

Y

X

MA

TX

CA

當前第46頁\共有53頁\編于星期五\5點處理方法一固定效應(yīng)模型的參數(shù)估計：

1、前后兩期相減（適用于T=2）；

2、引入（n-1）個虛擬變量的回歸；

3、去中心化回歸；（1）固定效應(yīng)估計量（FEE）；（2）與虛擬回歸的估計量（LSDV）相同；（3）無法估計“常數(shù)項”；當前第47頁\共有53頁\編于星期五\5點處理方法一固定效應(yīng)模型的參數(shù)估計：如果滿足如下條件：且自變量之間不存在共線性，則

那么（FEE）與（LSDV）就是一個BLUE估計量；所有的t檢驗、F檢驗都可以使用；所以，可以檢驗“