Eviews面板数据模型估计课件.ppt

Eviews面板数据模型估计 一、面板数据及如何建立混合数据库 1.面板数据定义 时间序列数据或截面数据都是一维数据。面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。 生成新的序列 打开原始pool数据，点击工具栏中的poolgenr键，在弹出的对话框中输入要生成的公式，如：cp?=consume?/p?,ip?=income?/p? 固定效应模型 相应的表达式是： 得出如下输出结果 相应的表达式为： (6.3) (55) 其中虚拟变量 的定义是： 15个省级地区的城镇人均指出平均占收入70%。从上面的结果可以看出北京市居民的自发性消费明显高于其他地区。 接下来对本例用F统计量检验是应该建立混合回归模型，还是个体固定效应回归模型。 ： 。模型中不同个体的截距相同（真实模型为混合回归模型）。 ：模型中不同个体的截距项不同（真实模型为个体固定效应回归模型）。 F统计量定义为： 其中SSER表示约束模型，即混合估计模型的残差平方和，SSEU表示非约束模型，即个体固定效应回归模型的残差平方和。非约束模型比约束模型多了N-1个被估参数。 所以本例中： 所以推翻原假设，建立个体固定效应回归模型更合理。 运行结果得 相应的表达式是： 其中虚拟变量 的定义是： 固定效应模型和随机效应模型的设定检验--hausman检验 众所周知，在回归模型 满足基本假设时，回归系数的ols估计量是BLUE估计，但是，当模型不满足“正交性假设” 时， 的OLS估计量不再是无偏的。同时，当模型不满足“同方差性假设” 时， 的OLS估计量不是有效的。 对于面板数据模型 令 如果不能满足回归假设 则个体随机效应模型系数的GLS估计量 是有偏的和非一致的。但是正交性并不影响个体固定效应模型系数的估计量 的性质，于是可以通过检验模型误差项与解释变量的正交性来解决面板数据回归模型设定问题。 检验假设 显然，在拒绝零假设时，模型设定为固定应模型是可行的；否则，如果不能拒绝零假设时，模型应设定为随机效应模型。 接下来利用Hausman统计量检验应该建立个体随机效应回归模型还是个体固定效应回归模型。 ：个体效应与回归变量（ ）无关（个体随机效应回归模型） ：个体效应与回归变量（ ）相关（个体固定效应回归模型） 分析过程如下 由检验输出结果的上半部分可以看出，Hausman统计量的值是14.75，相对应的概率是0.0001，即拒接原假设，应该建立个体固定效应模型。 检验结果的下半部分是Hausman检验中间结果比较。个体固定效应模型对参数的估计值为0.697648，随机效应模型对参数的估计值为0.724528。两个参数的估计量的分布方差的差为0.000049。 综上分析，1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费和人金收入问题应该建立个体固定效应回归模型。人均消费平均占人均收入的70%。随地区不同，自发消费（截距项）存在显著性差异。 　　当利用面板数据研究拥有充分多个体的总体经济特征时，若利用总体数据的固定效应模型就会损失巨大的自由度，使得个体截距项的估计不具有有效性。这时可建立个体随机影响变截距模型。其Eviews实现见下图。 个体随机影响变截距模型 * * 　　 8792.210 7968.327 6950.713 6600.749 6236.640 6002.082 5342.234 CP-ZJ（浙江） 7220.843 6904.368 6145.622 5916.613 5498.503 5047.672 4293.220 CP-TJ（天津） 4787.561 4131.273 3793.908 3507.008 3314.097 3131.629 2813.336 CP-SX（山西） 10411.94 9336.100 8651.893 8125.803 6866.410 6634.183 6193.333 CP-SH（上海） 5635.770 5159.538