时间序列_截面数据模型_s.ppt

遗憾的是，很多情况下，并不能明确的区分样本来自一个较大的母体还是较小的母体。因此有些学者认为，区分固定效应模型和随机效应模型应当看使用二者的假设条件是否满足。由于随机效应模型把个体效应设定为干扰项的一部分，所以就要求解释变量与个体效应不相关，而固定效应模型并不需要这个假设条件。所以如果我们的检验结果表明该假设满足，就采用随机效应模型。 * * §10.4 变系数模型 前面所介绍的变截距模型中，横截面成员的个体影响是用变化的截距来反映的，即用变化的截距来反映模型中忽略的反映个体差异的变量的影响。然而现实中变化的经济结构或不同的社会经济背景等因素有时会导致反映经济结构的参数随着横截面个体的变化而变化。因此，当现实数据不支持变截距模型时，便需要考虑这种系数随横截面个体的变化而改变的变系数模型。 * 变系数模型的基本形式如下： i =1, 2, …, N (10.4.1) 其中：yi 为因变量向量，xi 为 T?k 维解释变量矩阵，参数?i 表示模型的常数项，?i 为对应于解释变量矩阵 xi 的系数向量。随机误差项 ui 相互独立，且满足零均值、等方差的假设。 * 在式(10.4.1)所表示的变系数模型中，常数项 ?i 和系数向量 ?i 都是随着横截面个体的改变而变化的，因此可以将变系数模型改写成如下形式： ， i =1 , 2 , …, N (10.4.2) 其中： ，?i = (?i , ?i ?)? 。 类似于变截距模型，变系数模型也分为固定影响变系数模型和随机影响变系数模型两种类型。 * * * EViews不能估计这样的模型：很少的时期或者庞大的截面成员。所用的时期数平均应至少不小于截面成员数。即使有足够的观测值，估计的残差相关矩阵还必须是非奇异的。如果有一条不满足EViews的要求，EViews会显示错误信息：“Near Singular Matrix”。 当选择加权时，复选框Iterate to convergence控制可行GLS程序。如果选择，EViews就一直迭代权重和系数直到收敛。如果模型中包括AR项，这个选择就没有意义，因为在AR估计中，EViews会一直迭代直至收敛。 估计Pool方程的其他选项(Options) * * §10.5 White 异方差协方差 (White Heteroskedasticity Covariance) EViews能估计那些广义异方差性的强的协方差。这种形式的异方差性比上面介绍的截面异方差性更普遍，因为一个截面成员内的方差可以随时间不同。 要得到怀特标准差和协方差,点Options按钮，选择Coef covariance method。EViews5给出了一个下拉列表，列表中包含8种选项。默认的是最上方的Ordinary项，对应式(10.3.7) 和式(10.3.8)给出的系数协方差形式。在此下拉列表中的另外7种系数协方差形式参见10.5节。 注意此选项不适用于SUR和随机影响估计。 * * §10.6 Pool序列的单位根检验 EViews在Pool对象中提供了比较方便的，可以进行多序列单位根检验的工具。在Pool对象中，对ADF、PP等单位根检验方法均可以实现。在Pool工具栏选择View/Unit Root Test…，EViews会打开如下对话框，在对话框最上边的“Pool series”栏中输入所要检验的序列名称，并选定其他设置后单击“OK”，便可以进行相应的单位根检验了。 * * 以我国各省市城镇居民人均消费和可支配收入作为例子：相应的Pool识别名称为BJ_，TJ_，HB_，SX_，NMG_，LN_， …… 。估计城镇居民人均消费?CS的回归模型，模型中的被解释变量?CS 为城镇居民人均全年消费，解释变量为城镇居民人均全年可支配收入?YD（单位：元），变量均为年度数据，样本区间为1991 ~ 2003年。 §10.7 Pool方程实例 * 检验模型形式设定形式； (1) 首先分别计算3种形式的模型：变参数模型、变截距模型和不变参数模型，在每个模型的回归统计量里可以得到相应的残差平方和S1=5279603、S2 = 8287453 和S3 (2) 按(10.2.7)式和(10.2.8)式计算F统计量，其中N=29、k=1、T=13，得到的两个F统