ECONOMETRICS第十一章教學(xué)目的和要求0405010203了解面板數(shù)據(jù)模型及其一般形式掌握面板數(shù)據(jù)模型的三種分類掌握面板數(shù)據(jù)模型的選擇和參數(shù)估計掌握面板數(shù)據(jù)模型的檢驗和方法掌握面板數(shù)據(jù)模型的EVIEWS軟件實現(xiàn)課程內(nèi)容03040102面板數(shù)據(jù)模型概述面板數(shù)據(jù)模型的選擇與估計面板數(shù)據(jù)模型的檢驗案例分析引子：居民消費(fèi)水平和收入水平之間的關(guān)系存在區(qū)域或動態(tài)差異性嗎？4居民消費(fèi)水平和收入水平不僅是國民經(jīng)濟(jì)與社會發(fā)展的重要表征指標(biāo)，而且也是政府相關(guān)部門制定相關(guān)宏觀經(jīng)濟(jì)政策的重要依據(jù)，兩者之間存在著一定內(nèi)在的聯(lián)系。改革開放以來，隨著經(jīng)濟(jì)發(fā)展，我國居民消費(fèi)水平和收入水平均獲得了顯著提高，但兩者之間的數(shù)量依存關(guān)系是否隨著時間推移而發(fā)生動態(tài)變化？同時由于我國區(qū)域間的資源稟賦、經(jīng)濟(jì)發(fā)展水平、交通區(qū)位、歷史文化等存在著非均衡性，那么區(qū)域間居民消費(fèi)水平和收入水平之間的數(shù)量依存關(guān)系是否也具有差異性？在建立計量經(jīng)濟(jì)模型測度居民消費(fèi)與收入之間數(shù)量關(guān)系時，傳統(tǒng)上無論是采用時序數(shù)據(jù)還是截面數(shù)據(jù)均不能反映兩者關(guān)系在時間上或空間上的差異，如何采用一種新的建模方法實現(xiàn)對上述兩種差異的度量，從而可以利用建立的模型進(jìn)行更為全面、系統(tǒng)的分析信息？本章介紹的面板數(shù)據(jù)模型可以達(dá)到上述目的。11.1.1 面板數(shù)據(jù)面板數(shù)據(jù)又稱平行數(shù)據(jù)，是由時序數(shù)據(jù)（time

series

data）和截面數(shù)據(jù)（crosssectiondata）混合而成的數(shù)據(jù)（pool

data）。面板數(shù)據(jù)是具有三維（個體、指標(biāo)、時間）信息的數(shù)據(jù)結(jié)構(gòu)。從橫截面看，它是由若干個體在某時刻構(gòu)成的截面觀測值。從縱剖面看，是由若干時間序列（個體）所構(gòu)成。面板數(shù)據(jù)用雙下標(biāo)變量???

表示，?

=

1,2,

?,

?;

?

=

1,2,

?,

?。它有分成如下兩種類型：（1）平衡面板數(shù)據(jù)。不同截面?zhèn)€體的每個解釋變量的時間長度?相同。數(shù)據(jù)組數(shù)??，當(dāng)?

=

1時，即為時序數(shù)據(jù)；當(dāng)?

=

1時，即為截面數(shù)據(jù)。（2）非平衡面板數(shù)據(jù)。不同截面?zhèn)€體的每個解釋變量的時間長度不相同。511.1 面板數(shù)據(jù)模型概述11.1.1 面板數(shù)據(jù)例如

2014-2019年我國31個省、直轄市和自治區(qū)人均國內(nèi)生產(chǎn)總值（元）數(shù)據(jù)為平衡面板數(shù)據(jù)。（此處僅展示15個地區(qū)的數(shù)據(jù)）11.1 面板數(shù)據(jù)模型概述時間個體指標(biāo)611.1.2 面板數(shù)據(jù)模型的一般形式設(shè)yit為被解釋變量在橫截面（個體）?和時間?上的數(shù)值，xjit為第?個解釋變量在橫截面?和時間?上的數(shù)值，???為橫截面?和時間?上的隨機(jī)誤差項；bji為第?截面上的第?個解釋變量的模型參數(shù)；??為常數(shù)項或截距項，代表第?個體的影響；解釋變量數(shù)為j

=

1,2,

?k；截面數(shù)為?

=

1,2,

?,

?；時間長度為t

=

1,2,

?,

T。其中,?表示個體截面成員的個數(shù)，?表示每個截面成員的觀測時期總數(shù)，?表示解釋變量的個數(shù)。單方程面板數(shù)據(jù)模型的一般形式為：7yit=ai+b1tx1it+b2tx2it+?+bktxkit+

?it(?

=1,2,?,?;?

=1,2,?,?)11.1 面板數(shù)據(jù)模型概述11.1.2 面板數(shù)據(jù)模型的一般形式若記：???

=

（x1it,

x2it,

?,

xkit）為1

×

?解釋變量，??

=

(b1t,

b2t,

?bkt)為?

×

1系數(shù)向量，???

為隨機(jī)誤差項，并且隨機(jī)誤差項滿足零均值、同方差和序列不相關(guān)（即相互獨(dú)立）的假設(shè)。則單方程面板數(shù)據(jù)模型的矩陣表達(dá)形式如下：yit=ai+

?????

+

?it ?

=1,2,?,?;

?

=1,2,?,?811.1 面板數(shù)據(jù)模型概述11.1.3

面板數(shù)據(jù)模型的分類1.按方程的截距和系數(shù)是否改變劃分(1)混合回歸模型yit=a+

????

+

?it (ai

= aj=a;

bi

= bj=b;i=1,2,?,N;t=1,2,

?T)該模型對于不同的個體或時間，模型的截距和變量系數(shù)均保持不變。(2)變截距模型yit=ai+????

+

?it該模型表示在不同的個體之間存在個體影響，不存在結(jié)構(gòu)影響。(3)變系數(shù)模型yit=ai+?????

+

?it該模型表示不同的個體之間既存在個體影響也存在結(jié)構(gòu)影響。911.1 面板數(shù)據(jù)模型概述2.按反映個體或者時點(diǎn)差異的隨機(jī)變量是否與解釋變量x相關(guān)劃分(1)固定效應(yīng)模型yit=????

+ai

+

?it (?

=1,2,?,?;

?

=1,2,?,?)其中??

=

(b1t,

b2t,

?bkt)，ai獨(dú)立于?it并與xit相關(guān)。即cov(ai,

?it)

=

0,

cov(ai,

xit)

≠

0.(2)隨機(jī)效應(yīng)模型yit=????

+

eiteit=ai

+

?it (?

=1,2,?,?;

?

=1,2,?,?)其中ai是隨機(jī)的，獨(dú)立于?it和xitcov(ai,?it)=0,cov(ai,xit)=0，cov(?it,xit)=

0。面板數(shù)據(jù)模型的詳細(xì)分類可以用如下框圖進(jìn)行直觀反映。1011.1 面板數(shù)據(jù)模型概述113、按模型中是否包括滯后被解釋變量分為靜態(tài)面板模型和動態(tài)面板模型。面板數(shù)據(jù)模型進(jìn)一步可以劃分為靜態(tài)面板和動態(tài)面板模型，其中動態(tài)面板模型是相對于靜態(tài)面模型而言的。動態(tài)面板模型是包含滯后被解釋變量作為解釋變量的模型。動態(tài)面板數(shù)據(jù)是在靜態(tài)面板模型的基礎(chǔ)上建立的。靜態(tài)面板模型則是不包含滯后被解釋變量作為解釋變量的模型。1211.1 面板數(shù)據(jù)模型概述11.1.4 面板數(shù)據(jù)模型的特點(diǎn)第一，它可以解決樣本容量不足的問題。將不同橫截面單元不同時間觀察值的結(jié)合，可以增加樣本容量和自由度。第二，有助于正確地分析經(jīng)濟(jì)變量之間的關(guān)系。減少解釋變量之間的共線性，從而有利于得到更為有效的估計量。第三，它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。第四，它可以估計某些難以度量的因素對被解釋變量的影響。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，用來有效處理遺漏變量的模型錯誤設(shè)定問題。1311.1 面板數(shù)據(jù)模型概述11.2.1 面板數(shù)據(jù)模型的選擇1.混合模型、變截距模型和變系數(shù)模型的選擇——F檢驗法首先，建立假設(shè)，主要對以下兩個假設(shè)進(jìn)行檢驗。假設(shè)1：H1:b1=b2=?=

bn假設(shè)1的含義在于：變量系數(shù)在不同橫截面（個體）上都相同，截距項是不相同的，實際上就是檢驗?zāi)Ｐ蛓it

=

ai

+

????

+

?it是否成立。假設(shè)2：H2:a1=a2=?=an;b1=b2

=?=bn假設(shè)2的含義在于：變量系數(shù)和截距項在不同的截面?zhèn)€體上都是相同的。實際上就是檢驗?zāi)Ｐ蛓it

=

a+

????

+

?it是否成立。1411.2 面板數(shù)據(jù)模型的選擇和估計其次，構(gòu)建檢驗統(tǒng)計量?1的檢驗統(tǒng)計量為?1：?2的檢驗統(tǒng)計量為?2：其中，?1變系數(shù)模型的殘差平方和，?2為變截距模型的殘差平方，?3為混合模型的殘差平方和;?為時期長度;?為截面?zhèn)€體的個數(shù);?為模型中的解釋變量個數(shù)。11.2 面板數(shù)據(jù)模型的選擇和估計15最后，進(jìn)行判斷。對比檢驗統(tǒng)計量的值和一定顯著性水平下的臨界值。（1）若?2

≤

??或者?

≥

?，接受?2。此時?3

?

?1的值較小，說明混合回歸模型和變系數(shù)模型的殘差平方差異性較小，則不拒絕?2，應(yīng)該選擇混合回歸模型；（2）若?2

>

??或者?

<

?，拒絕?2。此時?3

?

?1的值較大，說明變系數(shù)模型和混合回歸模型的殘差平和的差異性較大，因此不能接受?2，需要在進(jìn)一步檢驗判斷?1是否成立；（3）若?1

≤

??或者?

≥

?，接受?1。此時?2

?

?1的值較小，說明變截距和變系數(shù)模型間的殘差平方和差異較小的值也會較小，則不拒絕?1，應(yīng)選擇變截距模型；（4）若?1

>

??或者?

<

?，拒絕?1。此時?2

?

?1的值較大，說明變截距模型和變系數(shù)模型的殘差平方和較大，兩者間的差異性較大。因此應(yīng)拒絕?1，選擇變系數(shù)模型。1611.2 面板數(shù)據(jù)模型的選擇和估計2.固定效應(yīng)模型、隨機(jī)效應(yīng)模型的選擇

——似然比檢驗、Hausman檢驗(1)似然比檢驗似然比檢驗主要是為了檢驗是否存在固定效應(yīng)。似然比檢驗的主要思想是：首先假設(shè)對一般模型加上約束條件，然后對無約束的模型做極大似然估計，最后對滿足約束條件的模型進(jìn)行估計。假設(shè)模型參數(shù)為?，參數(shù)的極大似然估計為 ，對應(yīng)的似然函數(shù)值為 。對加上約束條件的模型的參數(shù)進(jìn)行估計得到估計量 ，對應(yīng)的似然函數(shù)值為 。兩個似然函數(shù)值差的檢驗就是對假設(shè)的檢驗。在構(gòu)造統(tǒng)計量的時候采用兩個估計值之間比值的形式。11.2 面板數(shù)據(jù)模型的選擇和估計17018? ，選擇采用固定效應(yīng)模型；若，則接受0? ，選擇采用隨機(jī)效應(yīng)模型。11.2 面板數(shù)據(jù)模型的選擇和估計(1)似然比檢驗檢驗的原假設(shè)和備擇假設(shè)如下

：?0：存在隨機(jī)效應(yīng)?1：存在固定效應(yīng)檢驗統(tǒng)計量為： LR

2

(k

)2

進(jìn)行判斷：若

LR

或者p

，則拒絕2

LR

或者p

019，則接受0? ，選用隨機(jī)效應(yīng)模型。11.2 面板數(shù)據(jù)模型的選擇和估計(2)

Hausman檢驗Hausman檢驗是主要用于檢驗是否存在隨機(jī)效應(yīng)。Hausman檢驗的原假設(shè)與備擇假設(shè)為：?0：個體影響與回歸變量無關(guān)（即選擇隨機(jī)效應(yīng)模型）?1：個體影響與回歸變量相關(guān)（即選擇固定效應(yīng)模型）檢驗統(tǒng)計量為Wald統(tǒng)計量WW

[b

?]'

?

1[b

?

]

2

(k)其中，?為固定影響模型中回歸系數(shù)中的估計結(jié)果，

?

為隨機(jī)影響模型中回歸系數(shù)的估計結(jié)果。

? 為兩類模型中回歸系數(shù)估計結(jié)果之差的方差，即

?

var[b

?]。2

p

?

，選用固定效應(yīng)模型；進(jìn)行判斷：若

W

或者

，則拒絕2

若

W

或者p

11.2.2 面板數(shù)據(jù)模型的估計1.變截距模型的估計——固定效應(yīng)變截距模型、隨機(jī)效應(yīng)變截距模型（1）固定效應(yīng)變截距模型20并且假定。11.2 面板數(shù)據(jù)模型的選擇和估計yit

ai

xit

b

uit

(i

1,

2,...,

N

;

t

1,

2,...,T

)2itit

it

u

itE(u)

0,var(u)

,cov(u,x)

01 2N2

0

3

N

N

如果截面?zhèn)€體影響可以通過截距項??的不同來反映，且每個截面的個體的截距項前加上虛擬變量，則截距項??就可當(dāng)作是虛擬變量的系數(shù)。上式的向量形式為：

y1

e

0

0

x1

u1

y

0

e

0

x

u

Y

2

a

a

...

a

2

b

y

0

x

u

e

其中：;其中:11.2 面板數(shù)據(jù)模型的選擇和估計于是固定效應(yīng)變截距模型可以改寫成：yi

eai

xi

b

ui該模型也被稱為最小二乘虛擬變量模型（LSDV）。利用普通最小二乘法可以得到參數(shù)??和?的最優(yōu)線性無偏估計為:i,21iiii,T

1 i,T

2xxx

yi1

ui1

xi,11

x

y

u

1

1

i2

i2

x

y

u

iT

T

1

1

T

1 iT

T

1

i,Tk

T

k

xi,12

xi,1k

i,22

i,2k

xy

,e

,

x

,u

i T

1 i i u T i j T

T(i

j)且E(u)

0,

E(u

u

'

)

2

I ,E(u

u')

0'?

T

'cv

N T

1

N

i

1

i

1

i

1

i

1

it i it i

it it ib(

x

x)

(

x

x

)(

x

x)

(

y

y)??i icv ia

y

bxT21Tiit iit iti,

t1, i,

t21T1Ti,tk1

ki

1i

1

x ,

,

x

)x

x

,

y

y

,x

(x(2)隨機(jī)效應(yīng)變截距模型2211.2 面板數(shù)據(jù)模型的選擇和估計yit

a

x

it

b

vi

uit

,i

1,

2,...,

N

,t

1,

2,...,T

，其??中表示個體的隨機(jī)影響。對于上式模型具有如下的假定：①

v

i

和

xit

不相關(guān)；②E(uit)

E(vi)

0

；③

E(uit

v

j

)

0(i,

j

1,

2,...,

N

)

；④E(uitujs)

0(i

j,t

s)

；⑤E(vivj)

0(i

j)

；⑥

E(u2

)

2

,

E(v2

)

2

；it u i v也稱為成分方差，相應(yīng)的隨機(jī)效應(yīng)變截距模型也稱為方差成分模型。2311.2 面板數(shù)據(jù)模型的選擇和估計為了分析簡便，可以將隨機(jī)效應(yīng)變截距模型改寫成如下形式：yit

x?it

wit其中：x?

vi

uitit

(1,

xit

)1

(k

1)

，

(a,

b),

wit若令

wi

(wi1,

wi

2

,...,

wiT

)

，w

(w1,

w2

,...,

wN

)

則：①

wit與xit

不相關(guān)；②E(wit)

0

；③E(w2)

2

2,E(ww)

2(t

s)

；it u v it is v④E(w'w)

2

I

2ee'

；i i u T v⑤

E(w'

w)

I

V ；NT

NT N2 22y u v根據(jù)以上的假定條件可以得到，在xit確定時的yit方差為

， 和2u

2v

采用廣義最小二乘法（GLS）對隨機(jī)效應(yīng)模型進(jìn)行估計。當(dāng)成分方差已知時簡化后的模型中參數(shù)的GLS估計量為：其中：采用Greene(1997)的 和的無偏估計：11.2 面板數(shù)據(jù)模型的選擇和估計?GLSii'

1'

1

N

1

N

i

1

i

1

X

i

X

X

yi

? ? ?i i1

i

2

iT

X

(

x

,

x

,...,

x

)21Tu

2

1(I

ee

')

；' ；

2212v u

2

1

u T

由于實際分析中，成分方差通常是未知，因此采用可行廣義最小二乘估計法(FGLS)對模型進(jìn)行估計，估計的步驟首先是求出成分方差的無偏估計，然后再進(jìn)行OLS估計。首先，對原隨機(jī)固定效應(yīng)變截距模型兩邊同時對時間上求均值得yi

a

xib

vi

ui將上式與原式相減，得：yit

y

xit

xi

b

uit

ui

242u

2v

得到成分誤差的無偏估計以后，進(jìn)而可以得到?和矩陣??1/2的估計。11.2 面板數(shù)據(jù)模型的選擇和估計

u

?

2

i t (NT

N

k

)

it

i

it

i

y

y

x

x b

22 N

i iv

2

?

2

i

1

uTN

(k

1)

y

a

x

b

12 2??2v u

?uT

?

1

?

11

?

T

u

? 2

IT

ee

'

在簡化的模型基礎(chǔ)上又可以將其改寫為：yi

x

i

wi

'其中，x

i

(e,

xi

)，在上式兩邊左乘

?

12

得到：

?

12

y

?

12ea

?

12

x

b

+

?

12

wi i i接著再對上式進(jìn)行最小二乘估計即可得到待估參數(shù)的FGLS估計。252.變系數(shù)模型的估計——固定效應(yīng)變系數(shù)模型、隨機(jī)效應(yīng)變系數(shù)模型（1）固定效應(yīng)變系數(shù)模型①不同個體間隨機(jī)誤差項不相關(guān)的模型當(dāng)不同橫截面?zhèn)€體之間的隨機(jī)誤差項不相關(guān)時，26即：此時可以將模型分成對應(yīng)于橫截面?zhèn)€體的N個單方程，然后利用各橫截面?zhèn)€體時間序列數(shù)據(jù)采用最小二乘法（OLS）估計分別估計出單方程中的參數(shù)。②不同個體之間隨機(jī)誤差項相關(guān)的模型當(dāng)不同橫截面?zhèn)€體的隨機(jī)誤差項之間相關(guān)時，即：此時采用GLS方法估計會比OLS估計更有效。當(dāng)協(xié)方差矩陣已知時，可直接得到參數(shù)的GLS估計。若協(xié)方差矩陣未知時，隨機(jī)誤差項協(xié)方差矩陣的構(gòu)造較為困難，可以采用簡單的方法：首先進(jìn)行橫截面上的單方程的OLS估計，用相應(yīng)的殘差估計值構(gòu)造協(xié)方差矩陣的估計量，然后再進(jìn)行GLS估計。11.2 面板數(shù)據(jù)模型的選擇和估計'' 2i j i i ij),

且E(uu)

0(i

E(u

u

)

I'i j ijE(uu)

0(i

j)（2）隨機(jī)效應(yīng)變系數(shù)模型為跨截面變化的隨機(jī)向量，基本；②③；④；11.2 面板數(shù)據(jù)模型的選擇和估計''i iitit iyit

x

it

i

uit

,

i

1,

2,...,

N

,

t

1,

2,...,T

，其中 x

(1,

x ),

δ

(a,b

)在隨機(jī)影響變系數(shù)模型中，系數(shù)向量

i的模型設(shè)定為：

i

vi

,

i

1,

2,...,

N其中：

為截面變化的系數(shù)均值部分，vi

為隨機(jī)變量，表示變化系數(shù)的隨機(jī)部分，其服從如下假設(shè)：27①

E(vi

)

0

k

+

1,i

j

；

(k

1)

(k

1)

0i j)

Ik

+

1

,

i

jE( v

v'(

k

+

1

)

(

k

+

1

)(k

1)

T

' ''it j (k

1)

(k

1)i jE(xv)

0,

E(v

u

)

0i TT

T

0 ,i

j'i jE(uu)

2I,i

j則模型的矩陣形式可以改寫為：其中其中：在?和?2已知時，很容易計算出參數(shù)的GLS估計量。而實際分析中，這兩項幾?乎都是未知的，因此需要采用可行廣義最小二乘估計法(FGLS)對模型進(jìn)行估計，即先利用數(shù)據(jù)求出未知方差的無偏估計，然后再進(jìn)行GLS估計。11.2 面板數(shù)據(jù)模型的選擇和估計y

X

Dv

u')'

v

(v,v

,...,

v ),X

(X,X,....,

X1 2 N 1 2 N NT

(k

1) 1 2 N NT

N

(k

1)，D

diag(

X

,

X

,...,

X

)同隨機(jī)效應(yīng)變截距模型類似，在上述假設(shè)下，如果

(

1

NT

)

X

X

'

收斂于非零常數(shù)矩陣，則參數(shù)

的最優(yōu)線性無偏估計是由下式給出的廣義最小二乘估計。?28N Ni ii

1i

1i

1GLS

i i

i iN

'

1

1

'

1

?

[ X

Xi

] [ X

yi

]

W

2 'Ni

1

1

1

1i

1

，

X2 'i ii i i iW

{H

(XX

) } / {H

(X

) }

?

(X

'X

)

，1

X

'yi i i i ik

1

X

HX

'

2

I ,H

Ii i i i T11.3.1 面板數(shù)據(jù)的單位根檢驗面板數(shù)據(jù)單位根檢驗主要是用于檢驗面板數(shù)據(jù)的平穩(wěn)性，以防止利用面板數(shù)據(jù)建?？赡軙霈F(xiàn)偽回歸的情況。面板數(shù)據(jù)單位根檢驗又分為兩種：同質(zhì)單位根檢驗和異質(zhì)單位根檢驗。面板數(shù)據(jù)存在單位根的情形可以用如下表達(dá)式進(jìn)行描述：29其中xit表示外生變量，其中包含每個個體的固定的影響和時間趨勢。??表示第?個截面?zhèn)€體的觀測時期數(shù)，?i表示自回歸系數(shù)。且上式表示的是??(1)過程，如果|??|

<

1，則對應(yīng)的序列為平穩(wěn)序列；如果|??|

=

1，則對應(yīng)的序列為非平穩(wěn)序列。11.3 面板數(shù)據(jù)模型的檢驗yit

i

yit

1

Xit

i

uit，i

1,

2,...,

N

,

t

1,

2,...,Ti同質(zhì)單位根檢驗30pi所謂同質(zhì)單位根，是指面板數(shù)據(jù)中各個橫截面序列具有相同的單位根過程。同質(zhì)單位根的檢驗方法有三種：LLC檢驗、Breitung檢驗以及Hadri檢驗。LLC檢驗基本步驟為：首先，建立檢驗假設(shè)。?0：面板數(shù)據(jù)中各截面數(shù)據(jù)序列具有一個相同的單位根，也就是

0?1：各截面數(shù)據(jù)序列沒有單位根，也就是

0其次，采用ADF檢驗法檢驗如下方程：

yit

yit

1

ij

yit

j

X

i

t

uitj

1其中

1，??為第?個截面?zhèn)€體的滯后階數(shù)。檢驗的第一步是確定好各個截面?zhèn)€體的滯后階數(shù)??；然后從????和????1中剔除?????和外生變量的影響，通過標(biāo)準(zhǔn)化求出代理變量。第二步利用得到的代理變量

y

it

，y

it

1

分別為從????和????1的代理變量，然后用

y

it

y

it

1

it

去估計參數(shù)?。最后根據(jù)參數(shù)?的值進(jìn)行判別。Breitung檢驗和LLC檢驗的思路相似，原假設(shè)都是面板數(shù)據(jù)中的各個截面序列數(shù)據(jù)存在一個單位根。檢驗步驟也相似，采用ADF的形式并利用代理變量來估計參數(shù)?，進(jìn)而對單位根進(jìn)行檢驗，不同的地方在于Breitung檢驗和LLC檢驗????和????1的代理變量的形式不同。Breitung檢驗是從????和????1中剔除動態(tài)項??????的影響然后通過標(biāo)準(zhǔn)化再退勢獲得代理變量，然后按照LLC中的步驟進(jìn)行單位根檢驗的判別。Hadri檢驗中原假設(shè)是面板數(shù)據(jù)中的各個截面序列數(shù)據(jù)都不含有單位根，與Breitung檢驗和LLC檢驗有所區(qū)別。EViews9.0軟件實現(xiàn)。在EViewsPool對象的工具欄中，選擇View/UnitRootTest/Test

type然后選擇相應(yīng)的LLC檢驗、Breitung檢驗以及Hadri檢驗。31同質(zhì)單位根檢驗異質(zhì)單位檢驗方法允許面板數(shù)據(jù)中的各截面序列具有不同的單位根過程，也就是允許參數(shù)??跨截面變化。在這種情況下，就需要對每個截面的序列進(jìn)行單位根檢驗，并且根據(jù)各個截面檢驗的結(jié)果來構(gòu)造相應(yīng)的統(tǒng)計量。常用的方法有Im-Pesaran-Skin檢驗、Fisher-ADF檢驗和Fisher-PP檢驗。這三種方法的原假設(shè)和備擇假設(shè)均相同。原假設(shè)?0：各個截面數(shù)據(jù)序列均含有單位根；備擇假設(shè)?1：某些截面數(shù)據(jù)序列不含有單位根。32異質(zhì)單位根檢驗11.3.1 面板數(shù)據(jù)的協(xié)整檢驗協(xié)整檢驗是考慮變量間長期均衡的關(guān)系。如果兩個或者多個非平穩(wěn)變量序列，但其線性組合后的序列呈平穩(wěn)性，則認(rèn)為這些變量序列之間存在協(xié)整關(guān)系。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Engle

and

Granger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檢驗法和Kao檢驗法；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。下面對每種檢驗方法進(jìn)行簡單的介紹。3311.3 面板數(shù)據(jù)模型的檢驗Pedroni檢驗從允許不同截面之間存在不同個體效應(yīng)和趨勢的協(xié)整檢驗出發(fā)，并考慮如下的回歸形式：34Pedroni檢驗利用一系列的方法構(gòu)建不同的統(tǒng)計量來檢驗同一個原假設(shè)，?0：不存在協(xié)整，即??

=

1。基于該原假設(shè)下的備擇假設(shè)有兩個：一個是所有的截面?都有??

=

?

<

1；另一個是假設(shè)在所有的截面下??

<

1。在原假設(shè)下Pedroni檢驗構(gòu)造的統(tǒng)計量漸進(jìn)服從正態(tài)分布。Pedroni檢驗yit

i

it

b1i

x1it

b2

t

x2

it

bki

xkit

bKi

xKit

it

，t

1,

2,...,T

;

i

1,

2,...,

N。?表示時期，i表示截面；假定?與?滿足一階協(xié)整，表示為?(1)。

i

,

i

分別表示各截面的確定效應(yīng)和趨勢效應(yīng)。Pedroni檢驗的原假設(shè)是不存在協(xié)整關(guān)系，在原假設(shè)下???應(yīng)為?(1)過程。然后再通過輔助回歸的方式來判斷???是否為?(1)過程。

it

i

it

1

uit

，t

1,

2,...,T

;

i

1,

2,...,

N。Kao檢驗的思路和Pedroni檢驗較為相似，也是先構(gòu)造回歸然后再利用輔助回歸的方法進(jìn)行檢驗，不同之處在于Kao檢驗在第一步模型回歸時不同。Kao檢驗?zāi)Ｐ椭兄辉试S包含個體效應(yīng)，且要求模型中外生變量的系數(shù)滿足齊性的要求，也就是不同的截面?zhèn)€體外生變量的系數(shù)是一樣的。以兩變量為例，上述條件可表示如下：35Kao檢驗yit進(jìn)行輔助回歸：

it

i

bxit

ityit

yit

1

uitxit

xit

1

vit

i

it

1

ritEViews9.0軟件實現(xiàn)。在Pool對象以及Panel工作環(huán)境組中進(jìn)行檢驗，在Pool對象的對話框中，點(diǎn)擊Views/Cointegration

Test/Test

type/Pedroni/Kao（Engle-Grangerbased）可以實現(xiàn)Pedroni檢驗或者Kao檢驗。其中Kao檢驗和Pedroni檢驗區(qū)別只是在第一階段回歸中外生回歸量只允許包含個體固定效應(yīng)采用默認(rèn)設(shè)置。Johansen協(xié)整檢驗是在Testtype之后選擇Fisher(combined

Johansen)來實現(xiàn)。36Johansen檢驗2將Fisher采用的多個個體獨(dú)立檢驗結(jié)果來進(jìn)行整體的聯(lián)合檢驗的方法應(yīng)用到面板數(shù)據(jù)的聯(lián)合檢驗中，并與Johansen檢驗結(jié)合起來，即：先整合單個截面的Johansen檢驗結(jié)果，然后得到檢驗整個面板數(shù)據(jù)的統(tǒng)計量。在不存在協(xié)整關(guān)系的原假設(shè)下，構(gòu)造的檢驗統(tǒng)計量為：Ni

1p

其中，N表示截面的個數(shù)。2 logp

(2N

)

i11.4.1 樣本選取現(xiàn)選取2013-2019年中國東北、華北、華東15個省市區(qū)居民人均消費(fèi)支出和人均可支配收入數(shù)據(jù)。建立居民人均消費(fèi)支出關(guān)于人均可支配收入的面板數(shù)據(jù)模型。11.4 案例分析37381.建立工作文件在EViews中點(diǎn)擊File→New→workfile。得出Workfile.Create對話框，在Workfile.strueture.type下選擇Dated-regular

frequency，在Date.specification框中Frequency的下拉箭頭中選擇Annual，接著輸入Start

date和End.date信息后得圖1。點(diǎn)擊OK后得圖2，并且可以對工作文件進(jìn)行命名。11.4 案例分析圖1圖2392.建立合成數(shù)據(jù)庫（pool）對象在圖2的Workfile框中點(diǎn)擊Object→New

object→Pool便可得到圖3，在選擇區(qū)對新對象命名為CS如圖4（用英文或拼音,初始顯示為Untitled），點(diǎn)擊OK按鈕。11.4 案例分析圖3圖440在圖5窗口中輸入截面?zhèn)€體標(biāo)識，本案例的截面?zhèn)€體標(biāo)識為15個省份名稱的英文大寫字母縮寫（用大寫拼音或英文字母縮寫）。11.4 案例分析圖541，3.錄入、編輯和調(diào)用數(shù)據(jù)（1）錄入數(shù)據(jù)輸入變量序列名在圖5

Pool窗口點(diǎn)擊Sheet,出現(xiàn)SeriesList，在SeriesList下輸入變量名，每個變量后都要加個“？”（占位符，表示截面?zhèn)€體），而且兩個變量名之間用空格隔開。本案例應(yīng)該在Series

List框中輸入人均消費(fèi)和人均收入兩個變量分別用cp和ip表示，如圖6所示。然后點(diǎn)擊OK按鈕便會出現(xiàn)名稱為CS的Poolworkfile窗口，點(diǎn)擊Edit+/-進(jìn)行編輯，將Excel表格中的面板數(shù)據(jù)錄入到Eviews中。最終錄入數(shù)據(jù)的結(jié)果如圖7所示。11.4 案例分析圖642（2）數(shù)據(jù)轉(zhuǎn)換用“Order+/-”可作堆棧數(shù)據(jù)和非堆棧數(shù)據(jù)轉(zhuǎn)換。堆棧數(shù)據(jù)是指數(shù)據(jù)是以截面?zhèn)€體為主體堆積，如圖7，數(shù)據(jù)按照省份進(jìn)行堆積，總計15個省份進(jìn)行15次堆積；非堆棧數(shù)據(jù)是指數(shù)據(jù)是以時間為主體堆積，如圖8，數(shù)據(jù)按照年份進(jìn)行堆積，2013—2019以年為單位總計7年，進(jìn)行7次堆積。11.4 案例分析圖7圖8（3）凍結(jié)或編輯數(shù)據(jù)當(dāng)數(shù)據(jù)錄入后，為防止不小心觸碰到鼠標(biāo)或鍵盤導(dǎo)致數(shù)據(jù)改變，需單擊“Edit+/-”

選項進(jìn)行凍結(jié)。凍結(jié)后，數(shù)據(jù)的顯示背景為灰色，而且數(shù)據(jù)不能進(jìn)行編輯，如果需要對數(shù)據(jù)進(jìn)行再次編輯，應(yīng)再次點(diǎn)擊“Edit+/-”進(jìn)行解凍。（4）數(shù)據(jù)保存數(shù)據(jù)錄入后應(yīng)馬上保存，單擊Pool窗口下工具欄中的“Name”選項，在對話框中輸入文件名（用英文或拼音表示）。（5）數(shù)據(jù)調(diào)取在工作文件主窗口點(diǎn)擊合成數(shù)據(jù)對象名（如CS）,再在Pool窗口點(diǎn)擊view/spreadsheet（stacked.data）,在新的對話框中鍵入要讀取的變量名，如圖9所示。其中在圖10中，點(diǎn)擊不同選項，還可以完成如下任務(wù)：

CrossSection

idengtifiers（查看或修改截面?zhèn)€體名）、Descriptive.statistics（描述統(tǒng)計分析）、Unit

root

test（單位根檢驗）、Cointegration

test（協(xié)整檢驗）。4311.4 案例分析11.4 案例分析圖9圖10444511.4.2 模型估計1.估計混合模型其中，?為15個省市的平均自發(fā)消費(fèi)傾向，?為邊際消費(fèi)傾向。在Pool窗口的工具欄中點(diǎn)擊Estimate鍵，打開Pooled.Estimation（混合估計）窗口如圖11，在Dependent

variable框中放入被解釋變量；在Common

Coefficients（共同系數(shù)）中放入解釋變量和常數(shù)項；Estimation

method(估計方式）框下的Fixed.and.Random（固定效應(yīng)和隨機(jī)效應(yīng)）：分為Cross-section個體、Period時間和Weighs（權(quán)數(shù)）三個小框。其中個體和時間下拉項又分3種情況：None表示混合模型，fixed表示固定效應(yīng)模型，random表示隨機(jī)效應(yīng)模型。權(quán)數(shù)選擇No

weights（等權(quán)重估計），Method（方法）下拉有2個選項：LS-Least

Squares（and.AR）（最小二乘法）、TSLS-Two-Stage.LeastSquares（and.AR）（二階段最小二乘法），選擇LS-Least

Squares（and.AR）項。完成合成數(shù)據(jù)模型定義對話框后，點(diǎn)擊OK鍵。得出輸出結(jié)果如圖12。11.4 案例分析基本形式：

CPit

a

b

IPit

it，(i

1,

,15,t

2013,

,2019)圖1146圖12估計混合模型由圖10可知，a的估計值為1455.769，b的估計值為0.648788，并且其對應(yīng)的概率P值均為0.000，所以在1%的顯著性水平下均拒絕原假設(shè)，所以參數(shù)估計顯著。相應(yīng)的表達(dá)式為：估計混合模型

CPit

1455.769

0.648788

IPit(t

4.876144

)(69.03723)2R

0.97864147F

4766.139S3

1.49

108其中，為15個省市的平均自發(fā)消費(fèi)傾向，用來反映省市間的消費(fèi)結(jié)構(gòu)差異；b為邊際消費(fèi)傾向。變截距模型又可以分為六種，在Pool窗口的工具欄中點(diǎn)擊Estimate鍵，打開Pooled.estimation窗口,在Dependent

variable框中放入被解釋變量cp？；在Regressorsand.AR()terms框下的Common

coefficients框中放入解釋變量ip？；在Cross-section框中選擇fixed表示個體固定效應(yīng)模型、選擇random表示個體隨機(jī)效應(yīng)模型，在Period框中選擇fixed表示個體隨機(jī)效應(yīng)模型、選擇random表示隨機(jī)隨機(jī)效應(yīng)模型，Period框和Cross-section框同時選擇fixed表示個體時點(diǎn)固定效應(yīng)模型、同時選擇random表示個體時點(diǎn)隨機(jī)效應(yīng)模型。下面以個體固定效應(yīng)模型為例，估計變截距模型。具體操作見圖13，結(jié)果見圖14。48估計變截距模型基本形式：CPit

ai

b

IPit

it，

(i

1,

,15,

t

2013,

,2019)49估計變截距模型圖14圖1350圖14可知，a的估計值為3145.304，b的估計值為0.590944，并且其對應(yīng)的概率P值均為0.000，在0.01的顯著性水平下均拒絕原假設(shè)，所以參數(shù)估計顯著。因為估計的是變截距模型，所以斜率的值保持不變，截距項根據(jù)不同省份的數(shù)據(jù)發(fā)生改變，則相應(yīng)的表達(dá)式為：估計變截距模型

CP_AH

-

644.729

3145.304

0.591

IP_AH

CP

_

SH

2135.879

3145.304

0.591

IP_SH

CP

_

SX

-1706.388

3145.304

0.591

IP_SX

CP

_

TJ

2729.876

3145.304

0.591

IP_TJ

CP

_

ZJ

-

388.835

3145.304

0.591

IP_ZJ

CP

_

SD

-1887.059

3145.304

0.591

IP_SD

CP

_

JL

-107.958

3145.304

0.591

IP_JL

CP

_

JS

-

260.433

3145.304

0.591

IP_JS

CP

_

JX

-1667.374

3145.304

0.591

IP_JX

CP

_

LN

230.721

3145.304

0.591

IP_LN

CP

_

NMG

395.933

3145.304

0.591

IP_NMG

CP_BJ

996.801

3145.304

0.591

IP_BJ

CP

_

FJ

661.995

3145.304

0.591

IP_FJ

CP

_

HB

-

669.101

3145.304

0.591

IP_HB

CP

_

HLJ

180.671

3145.304

0.591

IP_HLJ(t

8.851953)(49.32899)2R

0.994085F

1166.150S1

35678144估計變系數(shù)模型

ai

bi

IPit

it基本形式：CPit ，(i

1,

,15,t

2013,

,2019)其中，??為15個省市的平均自發(fā)消費(fèi)傾向，??為邊際消費(fèi)傾向，兩者用來反映省市間的消費(fèi)結(jié)構(gòu)差異。變系數(shù)模型也分為固定影響變系數(shù)和隨機(jī)影響變系數(shù)模型兩種類型。其中固定影響變系數(shù)模型又有：不同個體之間隨機(jī)誤差項不相關(guān)和不同個體之間隨機(jī)誤差項相關(guān)的固定影響變系數(shù)模型。變系數(shù)模型的操作是在Regressorsand.AR(

)terms框下的Cross-sectionspecific框中放入解釋變量ip？,再根據(jù)要求選擇fixed或者random選項。對于不同個體之間隨機(jī)誤差項不相關(guān)的固定影響變系數(shù)模型，權(quán)數(shù)直接默認(rèn)選擇No

weights

，對于不同個體之間隨機(jī)誤差項相關(guān)的固定影響變系數(shù)模型，權(quán)數(shù)選項選擇Cross-section-weights，目的是通過加權(quán)克服異方差。以不同個體之間隨機(jī)誤差項不相關(guān)的固定影響變系數(shù)模型為例，操作見圖15。51圖15由表1可知，a的估計值為2141.713，表格的第二列是每個省份對應(yīng)的斜率b估計值，表格的第4列為對應(yīng)的t值，并且由第五列可知，它們對應(yīng)的概率P值全部都為0.000，在0.01的顯著性水平下均拒絕原假設(shè)，所以參數(shù)估計顯著。因為估計的是變系數(shù)模型，所以斜率的值會發(fā)生改變，而且截距項也會根據(jù)不同省份的數(shù)據(jù)發(fā)生相應(yīng)的改變。相應(yīng)的表達(dá)式為：估計變系數(shù)模型表15253估計變系數(shù)模型

CP

_

SH

4894.344

2141.713

0.559

IP_SH

CP

_

SX

-

2466.101

2141.713

0.683

IP_SX

CP

_

TJ

-184.896

2141.7136

0.705

IP_TJ

CP

_

ZJ

2286.126

2141.713

0.548

IP_ZJ

CP

_

SD

-

2793.979

2141.7139

0.6679

IP_SD

CP

_

JL

-1826.307

2141.713

0.726

IP_JL

CP

_

JS

2788.732

2141.713

0.528

IP_JS

CP

_

JX

-

2131.355

2141.713

0.663

IP_JX

CP

_

LN

-1806.065

2141.713

0.707

IP_LN

CP

_

NMG

4279.303

2141.713

0.473

IP_NMG

CP_AH

-

3074.232

2141.713

0.760

IP_AH

CP_BJ

6869.105

2141.713

0.450

IP_BJ

CP

_

FJ

1099.667

2141.713

0.611

IP_FJ

CP

_

HB

-1575.249

2141.713

0.686

IP_HB

CP

_

HLJ

-

6359.086

2141.713

0.968

IP_HLJ

2R

0.994085圖16由圖16的結(jié)果可知，估計的固定影響變系數(shù)模型的調(diào)整后的R方值、F值以及S.E殘差平方和分別為：F

1166.150S1

356781445411.4 案例分析11.4.3

模型選擇檢驗1.混合模型、變截距模型、變系數(shù)模型的選擇用上文運(yùn)行結(jié)果可知：s1

9898888,

s2

35678144,

s3

149000000

213 129898888

/[15

7

15

(1

1)] 131985.173F

(149000000

9898888)/[(15

1)(1

1)]

4967896.857

37.6398S/

NT

N(k

1)

k

1(S

S

)

/

N

1

F

112 119898888

/[15

7

15

(1

1)]

131985.173F

(35678144

9898888)

/[(15

1)

1]

1841375.429

13.9514S/

NT

N(k

1)

(S

S

)

/

N

1

k

F

F0.05(28,75)

1.63因為

F2

37.64

F0.05

(28,75)

1.63，所以拒絕假設(shè)?2,繼續(xù)檢驗假設(shè)?1。F0.05(14,75)

1.83由于

F1

13.95

F0.05

(14,75)

1.83，所以拒絕假設(shè)?1，應(yīng)選擇變系數(shù)模型。552.固定效應(yīng)模型、隨機(jī)效應(yīng)模型的選擇（個體、時間）（1）似然比（Likelihoood.ratio,LR）檢驗由于似然比檢驗主要用于檢驗是否存在固定效應(yīng)，所以是在估計固定效應(yīng)方程窗口中點(diǎn)擊：View→Fixed/RandomEffectsTesting→Redundant

Fixed.effects-Likelihood.ratio，具體操作為圖17，結(jié)果見圖18。由于LR統(tǒng)計量的伴隨概率p=0.0000，小于顯著性水平0.05，拒絕原假設(shè)，故應(yīng)該建立（個體）固定效應(yīng)模型。11.4 案例分析圖17圖18（2）Hausman檢驗0若 接受? ，采用隨機(jī)效應(yīng)模型。由于Hausman檢驗主要用于檢驗是否存在隨機(jī)效應(yīng)，在估計隨機(jī)效應(yīng)方程窗口中點(diǎn)擊：View→Fixed/RandomEffeCtsTesting→CorrelateD.randomeffeCts-Hausmantest，結(jié)果見圖19。Hausman檢驗的原假設(shè)是個體效應(yīng)與回歸變量無關(guān)，應(yīng)該建立隨機(jī)效應(yīng)模型，由于Hausman值較大，且其對應(yīng)的P值為0.0094，小于顯著性水平0.05，所以拒絕原假設(shè)，應(yīng)該建立個體固定效應(yīng)模型。11.4 案例分析圖19

W

orp

2似然比和Hausman兩個檢驗結(jié)果都表明要建立個體固定效應(yīng)模型，因此該組數(shù)據(jù)應(yīng)該建立個體固定效應(yīng)模型。56；11.4.4 結(jié)果說明首先，建立變系數(shù)模型，在Pool窗口的工具欄中點(diǎn)擊Estimate鍵，打開PooleD.Estimation窗口,在Dependent

Variable框中放入被解釋變量cp？；在RegressorsanD.AR()terms框下的Cross-seCtion

speCifiC框中放入解釋變量ip？由似然比檢驗和Hausman檢驗可知應(yīng)該建立個體固定效應(yīng)模型，所以在Cross-seCtion框中選擇fixed表示個體固定效應(yīng)模型；又因為個體固定效應(yīng)模型的與相關(guān)，所以權(quán)數(shù)選項選擇Cross-seCtion-weights通過加權(quán)克服異方差。最終確定不同個體之間隨機(jī)誤差項相關(guān)的固定影響變系數(shù)模型，具體操作見圖20。11.4 案例分析圖2057由表2可知，a的估計值為2141.713，表格的第二列是每個省份對應(yīng)的斜率b估計值，由第五列可知，它們對應(yīng)的概率P值全部都為0.000，在0.01的顯著性水平下均拒絕原假設(shè)，參數(shù)估計顯著。變系數(shù)模型的斜率的值和截距項的值都會根據(jù)不同省份的數(shù)據(jù)發(fā)生相應(yīng)的改變。在Pool窗口的工具欄中點(diǎn)擊View→Representation可以顯示具體的回歸方程式。根據(jù)表2也可以寫出估計的變系數(shù)模型方程式，相應(yīng)的表達(dá)式為：11.4 案例分析表258根據(jù)最終確定的不同個體之間隨機(jī)誤差項相關(guān)的固定影響變系數(shù)模型的回歸結(jié)果可知，15個省份的固定常數(shù)項值為2141.713，通過加減各個省份各自的常數(shù)項值可確定最終的常數(shù)項值，且每個回歸方程的回歸系數(shù)值和常數(shù)值均不相同。以安徽省為例：回歸系數(shù)值為0.760，其表示安徽省居民人均可支配收入每增加1元，人均消費(fèi)支出增加0.760元；居民人均可支配收入每減少1元，人均消費(fèi)支出便減少0.760元。5911.4 案例分析

CP_SH

4894.344

2141.713

0.559

IP_SH

CP_SX

-

2466.101

2141.713

0.683

IP_SX

CP_TJ

-184.896

2141.713

0.705

IP_TJ

CP_ZJ

2286.126

2141.713

0.548

IP_ZJ

CP_SD

-

2793.979

2141.713

0.667

IP_SD

CP_JL

-1826.307

2141.713

0.726

IP_JL

CP_JS

2788.732

2141.713

0.528

IP_JS

CP_JX

-

2131.355

2141.713

0.663

IP_JX

CP_LN

-1806.065

2141.713

0.707

IP_LN

CP_NMG

4279.303

2141.713

0.4729

IP_NMG

CP_AH

-

3074.238

2141.713

0.760

IP_AH

CP_BJ

6869.105

2141.713

0.500

IP_BJ

CP_FJ

1099.666

2141.713

0.611

IP_FJ

CP_HB

-1575.249

2141.713

0.686

IP_HB

CP_HLJ

-

6359.086

2141.713

0.968

IP_HLJECONOMETRICS第十二章空間計量模型教學(xué)目的和要求0105040302掌握空間計量模型的基本概念掌握空間權(quán)重矩陣與空間自相關(guān)掌握空間計量模型的設(shè)定了解面板數(shù)據(jù)空間計量模型了解空間計量模型的Stata軟件實現(xiàn)課程內(nèi)容010302空間計量模型概述空間權(quán)重矩陣與空間自相關(guān)空間計量模型的設(shè)定引子：能源與環(huán)境對我國經(jīng)濟(jì)增長具有約束效應(yīng)嗎？統(tǒng)計數(shù)據(jù)表明，1978年至2018年，我國一次能源消耗總量由5.7億噸標(biāo)準(zhǔn)煤增加到49.8億噸標(biāo)準(zhǔn)煤，增長了約8倍，而且煤炭、石油、天然氣等化石燃料占一次能源消費(fèi)的比重一直保持在80%以上，從而導(dǎo)致二氧化碳排放量增長了約7倍。為此，我國政府要求全面貫徹新發(fā)展理念，轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式，建立健全綠色低碳循環(huán)經(jīng)濟(jì)體系，并要求到2035年我國的能源資源利用效率達(dá)到國際先進(jìn)水平，碳排放達(dá)峰后穩(wěn)中有降，生態(tài)環(huán)境根本好轉(zhuǎn)；努力爭取2060年前實現(xiàn)碳中和，實現(xiàn)美麗中國的建設(shè)目標(biāo)。

理論研究表明：經(jīng)濟(jì)、能源、環(huán)境等因素通常具有一定的空間關(guān)聯(lián)性，經(jīng)濟(jì)增長在獲得能源與環(huán)境要素支撐的同時，也會受到能源與環(huán)境的制約?，F(xiàn)在我國已開啟現(xiàn)代化建設(shè)新征程，要在2020-2035年基本實現(xiàn)社會主義現(xiàn)代化，到21世紀(jì)中葉把我國建成富強(qiáng)民主文明和諧美麗的社會主義現(xiàn)代化強(qiáng)國。要想實現(xiàn)這種戰(zhàn)略安排，經(jīng)濟(jì)必須保持一定的增長速度，那么能源與環(huán)境對我國經(jīng)濟(jì)增長是否具有一定的約束效應(yīng)呢？

傳統(tǒng)計量經(jīng)濟(jì)學(xué)忽略了經(jīng)濟(jì)現(xiàn)象的空間相關(guān)性和空間異質(zhì)性，往往導(dǎo)致經(jīng)濟(jì)研究的結(jié)果和推論出現(xiàn)偏差。空間計量經(jīng)濟(jì)學(xué)是現(xiàn)代計量經(jīng)濟(jì)學(xué)的一個分支，主要用于處理計量經(jīng)濟(jì)模型中的空間效應(yīng)問題?？臻g計量經(jīng)濟(jì)模型主要解決回歸模型中復(fù)雜的空間依賴性問題?？臻g計量經(jīng)濟(jì)模型與時間序列模型均是處理經(jīng)濟(jì)現(xiàn)象“依賴”關(guān)系的方法，但兩者的區(qū)別在于：前者主要闡明解釋變量在空間上的依賴，而后者主要闡明解釋變量在時間上的依賴?？臻g計量經(jīng)濟(jì)學(xué)起源于20世紀(jì)70年代，隨著計算機(jī)技術(shù)與地理信息技術(shù)的進(jìn)步，空間計量經(jīng)濟(jì)學(xué)得到蓬勃發(fā)展，逐漸成為經(jīng)濟(jì)實證分析的主流研究方法。按照演進(jìn)脈絡(luò)，空間計量模型主要分為截面數(shù)據(jù)空間計量模型、靜態(tài)空間面板數(shù)據(jù)模型、動態(tài)空間面板數(shù)據(jù)模型以及具有共同因子的動態(tài)空間面板模型等類型。這里僅介紹較為基礎(chǔ)的空間計量模型，主要包括截面數(shù)據(jù)空間計量模型和靜態(tài)空間面板數(shù)據(jù)模型。12.1空間計量模型概述

空間計量模型建模的前提是經(jīng)濟(jì)變量必須存在空間依賴性或空間自相關(guān)。下面介紹空間自相關(guān)分析中的相關(guān)概念和檢驗方法。12.2空間權(quán)重矩陣與空間自相關(guān)

相鄰空間權(quán)重矩陣

地理距離空間權(quán)重矩陣

經(jīng)濟(jì)距離空間權(quán)重矩陣

嵌套空間權(quán)重矩陣空間自相關(guān)可以理解為位置相近的區(qū)域具有相似的變量取值。若某區(qū)域及其位置相近區(qū)域是高值與高值集聚在一起，或低值與低值集聚在一起，則認(rèn)為存在正的空間自相關(guān)；若高值與低值集聚或低值與高值集聚，則認(rèn)為存在負(fù)的空間自相關(guān)；若高值與低值呈完全隨機(jī)的分布，則認(rèn)為不存在空間自相關(guān)。常用的空間自相關(guān)檢驗方法包括莫蘭指數(shù)（Moran’sI）、吉爾里指數(shù)（Geary’sC）和Getis-Ord’sG指數(shù)等。空間相關(guān)性的度量分為全局相關(guān)性與局部相關(guān)性兩個方面。全局相關(guān)性用來考察整個區(qū)域整體的空間相關(guān)程度，而局部相關(guān)性用來考察每個局部區(qū)域與周圍區(qū)域的空間相關(guān)程度?？臻g自相關(guān)

全局空間相關(guān)性檢驗

全局空間相關(guān)性檢驗

全局空間相關(guān)性檢驗

局部空間自相關(guān)檢驗

局部空間自相關(guān)檢驗

第12.3節(jié)是空間計量模型的入門章節(jié)，主要介紹經(jīng)典的截面數(shù)據(jù)空間計量模型和靜態(tài)面板數(shù)據(jù)空間計量模型的設(shè)定、參數(shù)估計方法和模型選擇檢驗。上述兩種模型分別針對不同的數(shù)據(jù)結(jié)構(gòu)進(jìn)行，即截面數(shù)據(jù)和面板數(shù)據(jù)（靜態(tài)面板數(shù)據(jù)是指被解釋變量的時間滯后項不包含在解釋變量中），其按照不同的模型設(shè)定又可細(xì)分為空間自回歸模型、空間誤差模型和空間杜賓模型，這三個模型各自有針對性的假設(shè)，但這些假設(shè)相互之間并不排斥，可以在同一個模型中存在。12.3空間計量模型設(shè)定

空間自回歸模型

空間自回歸模型

空間自回歸模型

空間誤差模型

空間杜賓模型

對于特定的樣本空間數(shù)據(jù)，如何選擇上述恰當(dāng)?shù)目臻g計量模型形式呢？這通常需要借助空間滯后（spatiallag）和空間誤差（spatialerror）的拉格朗日乘數(shù)檢驗（LM）或穩(wěn)健的拉格朗日乘數(shù)檢驗（robust-LM）進(jìn)行選擇確定。進(jìn)行模型選擇LM檢驗的基本步驟為：第一步，進(jìn)行OLS估計；第二步，得到兩種模型的LM統(tǒng)計量，包括空間自回歸模型的LM-lag檢驗和空間誤差模型的LM-err檢驗；第三步，比較LM-lag統(tǒng)計量和LM-err統(tǒng)計量，若兩者均不顯著則表明不存在空間依賴性，不需要選用空間計量模型；若兩者中有一者顯著則選用顯著統(tǒng)計量對應(yīng)的模型；若兩者均顯著則傾向于使用空間杜賓模型。STATA軟件的spatdiag命令可同時報告空間自回歸模型和空間誤差模型的LM檢驗和Robust-LM檢驗結(jié)果。空間計量模型的選擇

面板數(shù)據(jù)空間計量模型

面板數(shù)據(jù)空間計量模型1.請簡述空間計量模型的建模思想與應(yīng)用情景。2.請簡述經(jīng)典截面計量模型與空間截面計量模型的異同。3.請簡述空間權(quán)重矩陣的構(gòu)建思想，并列舉幾種常見的空間權(quán)重矩陣。4.請簡述莫蘭指數(shù)、吉爾里指數(shù)和Getis-Ord’sG指數(shù)。思考與練習(xí)ECONOMETRICS第十三章政策評估模型教學(xué)目的和要求0304050102掌握政策評估的基本概念，理解隨機(jī)實驗的基本思想掌握潛在結(jié)果、因果效應(yīng)、分配機(jī)制等基本概念了解匹配方法的基本思想、假設(shè)條件及實施步驟掌握雙重差分法的基本思想、假設(shè)條件及估計方法掌握雙重差分法的EVIEWS軟件實現(xiàn)課程內(nèi)容030102政策評估概述匹配方法雙重差分法04案例分析引子：碳排放權(quán)交易政策促進(jìn)了中國的碳減排嗎90當(dāng)前，全球氣候變化已經(jīng)成為人類發(fā)展的最大挑戰(zhàn)和威脅之一。通過減排減碳以應(yīng)對全球氣候變化，已成為