1、.,第7章,面板數(shù)據(jù)回歸分析,.,面板數(shù)據(jù)回歸分析,7.1 面板數(shù)據(jù)模型 7.1.1 面板數(shù)據(jù) 7.1.2 面板數(shù)據(jù)模型 7.2 固定效應(yīng)模型估計(jì) 7.2.1 固定效應(yīng)模型估計(jì) 7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型,.,面板數(shù)據(jù)回歸分析,7.3 隨機(jī)效應(yīng)模型估計(jì) 7.3.1 隨機(jī)效應(yīng)模型估計(jì) 7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn) 7.4.1 Hausman檢驗(yàn)原理 7.4.2用EViews7.2進(jìn)行Hausman檢驗(yàn) 重要概念,.,面板數(shù)據(jù)回歸分析,7.1 面板數(shù)據(jù)模型 7.1.1 面板數(shù)據(jù) 7.1.2 面板數(shù)據(jù)模型,

2、.,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) 面板數(shù)據(jù)有橫截面和時間兩個維度， 個橫截面?zhèn)€體、 個觀測時期，樣本個體表示為 ，若 遠(yuǎn)大于 ，稱之為短面板，本書只討論短面板。,.,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)： 將Excel中數(shù)據(jù)導(dǎo)入EViews，排列方式為無結(jié)構(gòu)/不按日期的數(shù)據(jù)（Unstructured/Undated）,.,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)： 點(diǎn)擊工作文件界面上的按鈕Range， 在彈出的Workfile Structure對話框的Workfile type欄內(nèi)選擇Dated Panel，,.,

3、7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)： 并在Panel identifier series（面板識別變量）下的第一欄Cross section ID series（橫截面識別變量）內(nèi)輸入變量名dq（地區(qū)），在第二欄Date series（日期識別變量）內(nèi)輸入變量名year： 點(diǎn)擊OK，數(shù)據(jù)按面板數(shù)據(jù)排列:,.,7.1 面板數(shù)據(jù)模型,7.1.1 面板數(shù)據(jù) EViews中存放面板數(shù)據(jù)：,.,7.1 面板數(shù)據(jù)模型,7.1.2 面板數(shù)據(jù)模型 為個體的異質(zhì)性，不可觀測 假設(shè)1：,.,7.1 面板數(shù)據(jù)模型,7.1.2 面板數(shù)據(jù)模型 假設(shè) 2：,.,7.1 面板數(shù)據(jù)模型,7

4、.1.2 面板數(shù)據(jù)模型,.,面板數(shù)據(jù)模型,不可觀測的個體異質(zhì)性 例子7.1 經(jīng)濟(jì)發(fā)展與污水排放 例子7.2 教育的回報(bào) 由于不可觀測的地區(qū)和個人能力帶來的內(nèi)生性，使上述估計(jì)不一致。,.,面板數(shù)據(jù)模型,固定效應(yīng)模型和隨機(jī)效應(yīng)模型 定義7.1 固定效應(yīng)和隨機(jī)效應(yīng) 上述模型中的不可觀測變量 （1）與回歸自變量相關(guān)，稱之為固定效應(yīng)模型； （2）與回歸自變量不相關(guān)，稱之為隨機(jī)效應(yīng)模型。 固定效應(yīng)將 消掉，隨機(jī)效應(yīng)則將其放入誤差項(xiàng)，然后探索方差結(jié)構(gòu)。,.,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型,.,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定

5、效應(yīng)模型估計(jì) 核心是消掉個體異質(zhì)性變量 上述模型的OLS估計(jì)稱之為固定效應(yīng)估計(jì)（Fixed effect）,.,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 例子7.1 經(jīng)濟(jì)發(fā)展與污水排放 例子7.2 教育的回報(bào) 若采用普通的FE方法，教育變量會被消除掉，故不能被估計(jì)教育的回報(bào)。但若采用教育變量和年份虛擬變量相乘的方法，則可以估計(jì)：,.,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) 例子7.2 教育的回報(bào) 定義虛擬變量 此時相減不至于消去教育變量，但是此時 表示的是相對于1980年，教育對收入的影響大小。,.,7.2 固定效應(yīng)模型估計(jì),7.2.1 固定效應(yīng)模型估計(jì) FD估計(jì)

6、（First Difference）： 其中， 如果變量取值不隨時間變化，差分后的模型在消去 的同時，也將該變量消去，對應(yīng)的回歸系數(shù)無法估計(jì)。 FD估計(jì)導(dǎo)致變量變化減少，估計(jì)出參數(shù)方差較大，效率比FE低。,.,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.1 的EViews操作： 在工作文件界面選中參與回歸的變量并以組打開，在文件表格界面點(diǎn)擊ProcMake Equation進(jìn)入模型設(shè)定界面完成模型設(shè)定。,.,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.1 的EViews操作： 點(diǎn)擊Panel Options選項(xiàng)，進(jìn)

7、入面板數(shù)據(jù)模型設(shè)定界 面。第一欄選擇固定效應(yīng)（fixed），第二欄選擇 無時間異質(zhì)性 變量（none），第三欄選擇GLS時 的權(quán)重（Cross-section weight）， 第四欄選擇協(xié)方差估計(jì) 方法（White cross-section）， 最后一欄選擇是否調(diào)整自由度,.,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.1 的EViews操作： 完成選擇后點(diǎn)擊OK得出參數(shù)估計(jì)輸出結(jié)果:,.,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.2 教育的回報(bào) EViews操作： 為避免教育變量被消掉，采用前面介紹的虛擬變

8、量與教育變量相乘作為新的自變量，并將不關(guān)心的不隨時間變化的自變量去掉（否則無法估計(jì)?。?，如種族變量 black，然后按上面的操作，最終輸出結(jié)果：,.,7.2 固定效應(yīng)模型估計(jì),7.2.2 用EViews7.2估計(jì)固定效應(yīng)模型 例子7.2 教育的回報(bào) EViews操作：,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 隨機(jī)效應(yīng)假設(shè)了 與模型自變量不相關(guān)，因此關(guān)心的問題不再是內(nèi)生性，而是如何提高估計(jì)的有效性，即探索復(fù)合誤差項(xiàng) 的方差結(jié)構(gòu)。,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.

9、1 隨機(jī)效應(yīng)模型估計(jì) 假設(shè)3：不可觀測異質(zhì)性滿足 （1） 獨(dú)立； （2） 與 獨(dú)立， ； （3） 。,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 結(jié)論1：隨機(jī)效應(yīng)模型復(fù)合誤差項(xiàng)的性質(zhì) 如果面板數(shù)據(jù)模型的誤差項(xiàng) 和個體異質(zhì)性 滿足假設(shè)1-假設(shè)3，則 滿足 （1）對任何的 和 ， 與 不相關(guān)； （2）對任何的 和 有 ；,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 上述模型不存在內(nèi)生性，OLS估計(jì)有一致性，但是 不滿足不相關(guān)假設(shè)，OLS估計(jì)不是最優(yōu)估計(jì)，要獲得最優(yōu)估計(jì)，需要作變換 （習(xí)題7.6證明） 上述模型的OLS估計(jì)稱之為隨機(jī)效應(yīng)模型估計(jì)（random effe

10、ct）,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 隨機(jī)效應(yīng)與固定效應(yīng)估計(jì)相似， 固定效應(yīng)處 隨機(jī)效應(yīng)處,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.1 隨機(jī)效應(yīng)模型估計(jì) 估計(jì)隨機(jī)效應(yīng)，首先要估計(jì) ，故先要估計(jì) 和 估計(jì) 和 的方法有三種： Swamy-Arora、Wallace-Hussain和Wansbeek-Kapteyn方法，常用第一種方法,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 數(shù)據(jù)導(dǎo)入、數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換以及模型設(shè)定與固定效應(yīng)模型估計(jì)一樣，不同的是在panel option的cross section中選Random，還有 和 的估計(jì)方法

11、,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 例子7.1 輸出結(jié)果：,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 由于隨機(jī)效應(yīng)模型不再消掉不隨時間變化的自變量，故這些解釋變量都可以在模型中保留下來。 例子7.2的EViews回歸結(jié)果,.,7.3 隨機(jī)效應(yīng)模型估計(jì),7.3.2 用EViews7.2估計(jì)隨機(jī)效應(yīng)模型 例子7.2的EViews回歸結(jié)果,.,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.1 Hausman檢驗(yàn)原理 7.4.2用EViews7.2進(jìn)行Hausman檢驗(yàn),.,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？

12、 Hausman檢驗(yàn),7.4.1 Hausman檢驗(yàn)原理 比較隨機(jī)效應(yīng)和固定效應(yīng)下參數(shù)估計(jì)是否有差別，若差別顯著，則認(rèn)為應(yīng)采用固定效應(yīng)（穩(wěn)健優(yōu)先）：若不顯著，則認(rèn)為應(yīng)采用隨機(jī)效應(yīng)（效率優(yōu)先）。 Hausman檢驗(yàn)構(gòu)造的統(tǒng)計(jì)量只對斜率系數(shù)進(jìn)行比較。,.,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.1 Hausman檢驗(yàn)原理 假設(shè)三個斜率參數(shù)的固定效應(yīng)估計(jì)和隨機(jī)效應(yīng)估計(jì)分別為 和 可以對整體模型進(jìn)行Hausman檢驗(yàn)，如：用 、 、 構(gòu)造 分布 也可對單個參數(shù)進(jìn)行Hausman檢驗(yàn)，如：,.,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.2 用EViews7.2進(jìn)行H

13、ausman檢驗(yàn) 首先進(jìn)行隨機(jī)效應(yīng)模型估計(jì)，在估計(jì)結(jié)果界面進(jìn)行相應(yīng)的操作，在隨機(jī)效應(yīng)估計(jì)結(jié)果界面點(diǎn)擊ViewFixed/Random Effects TestingCorrelated Random Effects-Hausman Test，彈出如下檢驗(yàn)結(jié)果,.,7.4 固定效應(yīng)還是隨機(jī)效應(yīng)？ Hausman檢驗(yàn),7.4.2 用EViews7.2進(jìn)行Hausman檢驗(yàn) Hausman檢驗(yàn)需要對固定效應(yīng)模型進(jìn)行檢驗(yàn)，因此不能包含不隨時間變化的自變量(除了個體異質(zhì)性)。所以不能對例子7.2進(jìn)行 Hausman檢驗(yàn)。,.,重要概念,1. 橫截面上若干多個時期的觀測值形成面板數(shù)據(jù)。由于來自兩個維度，面

14、板數(shù)據(jù)在增加樣本量的同時，也比單純的橫截面數(shù)據(jù)具有更為復(fù)雜的結(jié)構(gòu)。 2. 板數(shù)據(jù)模型包含個體不可觀測異質(zhì)性 ，并根據(jù) 與模型自變量的關(guān)系將模型分為固定效應(yīng)模型和隨機(jī)效應(yīng)模型。 3. 與自變量相關(guān)時，面板數(shù)據(jù)模型稱為固定效應(yīng)模型。 并入誤差項(xiàng)會引起自變量的內(nèi)生性，導(dǎo)致回歸系數(shù)的OLS估計(jì)不是一致估計(jì)。要估計(jì)固定效應(yīng)模型，需要將 消掉，固定效應(yīng)估計(jì)方法采用將模型變量減去組內(nèi)均值的方法消掉 。,.,重要概念,與自變量不相關(guān)時，面板數(shù)據(jù)模型稱為隨機(jī)效應(yīng)模型。 并入誤差項(xiàng)不會引起自變量的內(nèi)生性，回歸系數(shù)的OLS估計(jì)不一致估計(jì)。隨機(jī)效應(yīng)估計(jì)方法的核心，是利用復(fù)合誤差項(xiàng)的特殊結(jié)構(gòu)，更加有效地估計(jì)回歸系數(shù)。隨機(jī)效應(yīng)估計(jì)方法首先對模型變量進(jìn)行變換，將變量減去權(quán)重系數(shù) 乘以組內(nèi)均值，然后對變換后變量