5.1-变截距Panel模型.pptVIP

⒋含个体属性变量的模型 个体属性的影响应该被考虑。 个体属性变量的观测值不随时间改变。 Zi 与αi共线性，无法估计得到γ、μ、α，可以估计β。 假定Zi 与αi不相关，可以实现模型的估计，但估计量的性质不理想。 ⒌随机影响模型中异方差问题 假设在不同横截面上随机影响αi的方差不同。 只需对同方差时参数的估计稍作修正，就可适应于异方差情形。 ⒍随机影响模型中序列相关问题 放松uit序列无关的假定。 消除个体影响αi 利用该模型的最小二乘残差去估计序列相关系数ρ ⒎不齐平行数据的随机影响模型 在随机影响模型中，不齐平行数据增加了一些估计上的困难。 ⒏试例 见教材例4.1.2 学生综合练习 采用SAS软件 ⒐用Eviews估计随机影响变截距模型 输出 结果 固定影响 四、固定影响/随机影响模型的检验 ——Hausman检验 ⒈概念 Hausman Test 1978 1981 1986 由Hausman提出，构造的统计量是Wald统计量 其中b是LSDV模型的估计结果；β＾是假定模型为随机影响模型时采用FGLS估计的结果；Σ为LSDV模型与随机影响模型经过估计后得到的估计量之差的方差距阵，可以证明等于二者方差之差。 ⒉步骤 首先将模型作为fixed effect，估计得到LSDV模型的估计量b和它的方差； 然后将模型作为random effect，采用FGLS估计,得到β＾和它的方差； 计算Wald统计量； 查得采用random effect 好于fixed effect的概率。 经验方法—固定影响和随机影响 当T很大而N有限时，固定影响和随机影响的估计结果差异不大，如何设定并不重要。 经验方法—固定影响和随机影响 当N很大而T有限时，固定影响和随机影响的估计结果差异较大，如何设定十分重要。 当横截面的单位是总体的所有单位时，固定影响模型是一个合理的模型。 如果横截面单位是随机地抽自一个大的总体，该模型仅适用于抽到的横截面单位，而不是样本之外的其它单位。在这种情况下，把总体中个体的差异认为服从随机分布可能更合适。 e’e=T 这是一个不含高阶的Qi，只含β的模型，可以估计β β的协方差估计是无偏的，且当n或T趋于无穷大时，为一致估计。它的协方差阵为： 截距的估计是无偏估计，且仅当T趋于无穷大时为一致估计。 随机项方差估计量 分块估计的思路： 首先构造1个不含αi，只包含β的模型，对其进行OLS。 然后分别在每个个体上计算αi，分块的含义体现于此。 通过F统计量检验变截距假设 ⒉试例 教材例4.1.1 学生的综合练习 注意模型设定的检验 ⒊异方差和序列相关问题 采用广义差分法消除序列相关 采用加权最小二乘法消除异方差 可以同时考虑 ⒋用Eviews估计固定影响变截距模型 北京、天津、河北、山西、内蒙5地区消费总额与GDP关系 数据 估计 输出 结果 考虑1阶相关 输出 结果 同时考虑异方差 输出 结果 未考虑异方差 ⒌不齐平行数据固定影响模型 不齐平行数据 第i截面个体的数据个数为Ti 不齐数据 输出 数据整齐 因为样本少，所以差异大 ⒍其它问题 时间间隔不均匀： 对于模型中没有时间变量和滞后变量的情况，对参数估计结果没有影响。 将使得渐近性质的证明变得复杂。 三、随机影响变截距模型 ⒈随机影响变截距模型的FGLS估计方法 随机影响变截距模型与截距、系数不变的模型的区别在随机项，于是FGLS成为首选的估计方法。 对于不同个体，截距的主体部分相同，只是随机扰动不同 OLS将得到参数的无偏和一致估计，但为什么要采用FGLS进行参数估计？ 第一，OLS虽得到参数的一致估计，但标准误差被低估。 第二，OLS估计不如可行的广义最小二乘估计有效。 Ω已知时的GLS估计 Ω未知时的FGLS估计 对原方程两边在时间上求平均 Greene(1997)推荐 对该模型进行OLS估计，就得到参数的FGLS估计。 随机影响模型的LM检验（ Breush和Pagan(1980) ） ε为OLS残差向量 如何直观理解LM统计量？ ⒉ Mundlak随机影响模型 Mundlak(1978)批评上述随机影响模型忽视了随机影响和解释变量的相关性，认为在许多情况下，确实存在相关性。建议： 原模型参数的GLS估计为： 群间估计 ⒊随机影响模型的ML估计 令偏导数为0，得到参数的最大似然估计。 第5章 Panel Data模型 5.1 变截矩模型 5.2 变系数模型和动态模型 5.3 Panel Data的单位根检验和协整检验 模型类型对数据的依赖性 Cross-sectional Data Stochastic Sampling Cross-sectional Data Truncatio