[第十章面板数据模型.ppt

面板数据模型 第一节 面板数据模型简介 一、数据的类型 Cross-sectional: observations on a number of agents/firms in moment in time Time series: observations taken at intervals over time Pooled cross-section: randomly selected observations taken in each time period Panel data: Observations on same cross-section of individuals over time 例如1990-2000年30个省份的农业总产值数据。固定在某一年份上，它是由30个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11年农业总产值数据组成的一个时间序列。面板数据由30个个体组成。共有330个观测值。 1.对于面板数据 ,如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。 若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。 2.面板数据集一般更倾向于横截面分析，它们的横截面宽，而调查时期通常很短，不同调查单位之间的异质性（heterogenity）是分析的主要部分，通常也是核心关注点。 The Panel data structure General notation 二、面板数据模型特点： 对Panel Data的分析是当前计量经济学文献中最有活力和创造性的主题之一。 使用面板数据模型有着很多优点： （1）控制个体效应 面板数据分析可以控制不可观测的地区特定效应和（或）时间特定效应，而普通的截面分析则不能，因而会得到有偏的结果； （2）减少多重共线性 Panel Data能够提供更多信息、更多变化性、更少共线性、更多自由度和更高效率。 反观时间序列经常受多重共线性的困扰。并且当解释变量较多时，截面分析也会面临样本观测值太少以及严重的多重共线性问题； （3）Panel Data能更好地识别和度量纯时间序列和纯横截面数据所不能发现的影响因素，并能在一定程度上减少遗漏重要解释变量偏差。。 如使用企业数据研究规模效应和技术变迁。 再如：使用面板数模据模型研究区域经济增长收敛 （4）相对于纯横截面和纯时间序列数据而言，Panel Data能够构造和检验更复杂的行为模型。 如变系数模型，参见论文《短期波动对长期增长的效应》。 面板数据模型的局限性： （1）模型设定错误与数据收集不慎引起较大偏差。 面板数据模型由两维的数据构成，如果模型设定或数据收集不正确，将造成较大偏差，使估计结果与实际相差甚远。 （2）研究截面或平行数据时，由于样本非随机性造成观测值的偏差，从而导致模型选择上的偏差。 例如：研究不同人的收入（y）随时间推移与教育程度（X）的关系，如果实际研过程中使用了L线下面的样本，就会造成由于利用了非随机样本而导致估计的偏移。 第二节 一般面板数据模型介绍 第三节 固定效应模型估计方法 第四节 随机效应模型及其估计方法 第四节 模型的设定检验 1. Pooled OLS vs. Random effects 2. Pooled Ols vs. Fixed Effects (F 检验，见前) 第五节 面板数据模型的stata实现 例：我国29个地区 1991~2003年居民消费（cs）和城镇人均可支配收入（yd）数据。 年份：year(1991-2003) Identity: id Stata 8.0面板数据模型估计命令(help xt.) Stata 8.2命令： Xtreg……., fe 固定效应模型 组内估计 Xtreg……., be 固定效应模型 组间估计 Xtreg……., re 随机效应模型 GLS估计 Xtreg……., mle 随机效应模型 极大似然估计 Xi: xtreg ….i.year, fe 双向固定效应模型 Xi: reg ….i.id 固定效应模型LSDV估计 示例： tsset id year; /*pooled ols vs random effects*/; reg cs yd; xtreg cs yd, re; xttest0;/*BP test*/; /*random vs fixed */; xtreg cs yd ,fe; xtreg cs yd , re; xthausman;/*拒绝随机效应，应该采用固定效应