第7章 面板数据模型.ppt

下面介绍假设检验的 F 统计量的计算方法。首先计算情形3(变参数模型)的残差平方和，记为 S1 ；情形2(变截距模型)的残差平方和记为 S2 ；情形1(不变参数模型)的残差平方和记为 S3 。计算 F2 统计量 (10.2.7) 在假设 H2 下检验统计量 F2 服从相应自由度下的F分布。若计算所得到的统计量 F2 的值不小于给定置信度下的相应临界值，则拒绝假设 H2，继续检验假设 H1。反之，接受 H2则认为样本数据符合模型情形1 ，即不变参数模型。 在假设H1下检验统计量F1也服从相应自由度下的F分布，即 (10.2.8) 若计算所得到的统计量F1的值不小于给定置信度下的相应临界值，则拒绝假设H1。 如果接受H1，则认为样本数据符合情形2，即模型为变截距模型，反之拒绝H1 ，则认为样本数据符合情形3，即模型为变参数模型。 二 Hausman检验 Hausman（1978）等学者认为应该总是把个体影响处理为随机的，即随机影响模型优于固定影响模型，其主要原因为：固定影响模型将个体影响设定为跨截面变化的常数使得分析过于简单，并且从实践的角度看，在估计固定影响模型时将损失较多的自由度，特别是对“宽而短”的面板数据。但相对于固定影响模型，随机影响模型也存在明显的不足：在随机影响模型中是假设随机变化的个体影响与模型中的解释变量不相关，而在实际建模过程中这一假设很有可能由于模型中省略了一些变量而不满足，从而导致估计结果出现不一致性。 几点说明 原假设成立时，则随机效应比固定效应更有效。 如果正确的模型是第一个或第二个误差成份数据生成过程，那么Hausman检验能很好地将二者区别开来。 但存在一种可能，解释变量中存在测量误差，这时固定效应和随机效应估计量都是不一致的，但二者导致的偏误有所不同。通常固定效应估计量的测量误差偏误会更大。这时要谨慎对待检验结果。 此时工具变量估计量是更好的选择。在不存在一个好的工具变量情况下，使用随机效应估计量好于固定效应估计量。 小结 面板数据是我们有机会避免一种特殊的遗漏变量偏误，如果对同一个个体，被遗漏变量在不同时期保持不变，面板数据集的时间维度就可以控制这种未观测到的异质性。 个体误差成份与解释变量不相关的误差成份DGP的有效估计量，就是成为随机效应估计量的一个可行GLS估计量。它在对观测赋予权重时很好地解释了个人干扰之间的相关性。如果个体误差成份与解释变量相关，那么随机效应就不是一致估计量，此时固定效应再次成为有效的估计量。 到底是设定一个不同截距的DGP还是设定一个误差成份的DGP，主要取决于抽样背景。 建立一个研究10家企业投资需求状况的Panel Data模型： t =1 , 2 , …, 20 其中：企业标识数字从1 ~ 10，分别对应通用汽车（GM）、克莱斯勒（CH）、通用电气（GE）、西屋（WE）和美国钢铁（US）等。被解释变量It 分别是10家企业的总投资。解释变量为Mt 分别是10家企业前一年企业市场价值（反映企业的预期利润）；Kt 分别是10家企业前一年末工厂存货及设备价值（反映企业必要重置投资期望值）。 应用实例 Stata例子 webuse grunfeld xtset company year xtdes xtline invest 混合回归：reg invest mvalue kstock 固定效应：xtreg invest mvalue kstock ,fe 随机效应：xtreg invest mvalue kstock ,re xtreg invest mvalue kstock ,fe est store fixed xtreg invest mvalue kstock ,re est store random hausman fixed random 本题接受原假设，即应该用随机效应。 双向固定效应模型 固定效应模型： Yit=ai+XitB+εit 双向固定效应模型：Yit=ai+ft+XitB+εit 实际上添加了t-1个时间虚拟变量。主要反应随着时间变化的一些特征。 tab year,gen(yr) edit drop yr1 xtreg invest mvalue kstock yr*,fe 大部分时间虚拟变量显著，说明随着时间的变动，invest有不断变动的趋势。 面板数据模型的分析 第