面板數據模型計量經濟學(陶長琪).ppt

《面板數據模型計量經濟學(陶長琪).ppt》由會員分享，可在線閱讀，更多相關《面板數據模型計量經濟學(陶長琪).ppt（51頁珍藏版）》請在裝配圖網上搜索。

第九章面板數據模型 第一節(jié)面板數據第二節(jié)面板數據回歸模型概述第三節(jié)混合回歸模型第四節(jié)變截距回歸模型第五節(jié)變系數回歸模型第六節(jié)效應檢驗與模型形式設定檢驗第七節(jié)面板數據的單位根檢驗和協整檢驗第八節(jié)案例分析 面板數據 PanelData 也叫平行數據 指某一變量關于橫截面和時間兩個維度的數據 記為xit 其中 表示N個不同的對象 如國家 省 縣 行業(yè) 企業(yè) 個人 表示T個觀測期 第一節(jié)面板數據 平衡面板數據 非平衡面板數據 擴展的面板模型 1 偽面板模型 如果按照某種屬性 例如 年齡 職業(yè)和身份等 將各期調查對象分成不同的群 對于各個觀測期 選擇各群內觀測數據的均值 中位數或分位數 即可構造以群為 個體 單位的面板數據 我們把這種以群為個體而構造的人工面板數據為偽面板數據 PseudoPanelData 2 輪換面板模型 同一個個體可能不愿被一次又一次的被回訪 為了保持調查中個體數目相同 在第二期調查中退出的部分個體 被相同數目的新的個體所替代 這種允許研究者檢驗 抽樣時間 偏倚效應 初次采訪和隨后的采訪之間的回答有顯著的改變 的存在性叫輪換面板 對于輪換面板 每批加到面板的新個體組提供了檢驗抽樣時間偏倚效應的方法 3 空間面板模型 當考慮國家 地區(qū) 州 縣等相關截面數據時 這些總量個體可能表現出必須處理的截面相關性 現在有大量運用空間數據的文獻處理這種相關性 這種空間相依模型在區(qū)域科學和城市經濟學中比較普遍 具體來說 這些模型使用經濟距離測度設定了面板數據的空間自相關性和空間結構 空間異質性 4 計數面板模型 被解釋變量是計數面板數據的例子很多 例如 一段時間內一家公司的竟標次數 一個人去看醫(yī)生的次數 每天吸煙者的數量及一個研發(fā)機構登記專利的數目 雖然可以運用傳統(tǒng)面板回歸模型對計數面板數據建模 但鑒于被解釋變量具有0及非負離散取值的特征 運用泊松面板回歸模型建模更為合適 第二節(jié)面板數據回歸模型概述 一 面板數據回歸模型的一般形式其中 i 1 2 N表示個N個體 t 1 2 T表示T個時期 yit為被解釋變量 表示第i個個體在t時期的觀測值 xkit是解釋變量 表示第k個解釋變量對于個體i在時期t的觀測值 是待估參數 uit是隨機干擾項 二 面板數據回歸模型的分類 根據對截距項和解釋變量系數的不同假設 面板數據回歸模型常用 混合回歸模型 變截距回歸模型和變系數回歸模型3種類型 混合回歸模型的模型形式為 第三節(jié)混合回歸模型 從截面上看 不同個體之間不存在顯著性差異 一 混合回歸模型假設假設1 隨機干擾項向量U的期望為零向量 假設2 不同個體隨機干擾項之間相互獨立 假設3 隨機誤差項方差為常數 假設4 隨機誤差項與解釋變量相互獨立 假設5 解釋變量之間不存在多重共線性 假設6 隨機誤差項向量服從正態(tài)分布 即 二 混合回歸模型參數估計混合回歸模型與一般的回歸模型無本質區(qū)別 只要模型滿足假設1 6 可用OLS法估計參數 且估計量是線性 無偏 有效和一致的 若將假設3的同方差弱化為存在異方差 即 則混合回歸模型的無偏有效估計量為 未知參數有一致估計為 是第i個個體的回歸模型的OLS回歸殘差 三 混合回歸模型估計的Eviews操作 第四節(jié)變截距回歸模型 變截距模型是面板數據模型中最常見的一種形式 該模型允許個體成員存在個體影響 并用截距項的差別來說明 截距項反應的是個體影響 如果個體影響是非隨機的常量 該模型被稱為個體固定效應變截距模型 如果個體影響是隨機的 該模型被稱為隨機效應變截距模型 假定在截面?zhèn)€體成員上截距項不同 而模型的解釋變量系數是相同的 變截距回歸模型的模型形式為 需要估計的參數個數 N K個 一 固定效應變截距回歸模型 固定效應變截距回歸模型的模型形式為 最小二乘虛擬變量模型 固定效應變截距回歸模型估計 個體 如果隨機干擾項 解釋變量滿足基本假定 則利用普通最小二乘法可以得到模型參數的無偏 有效一致估計量 1 最小二乘虛擬變量 LSDV 估計 如果隨機干擾項不滿足同方差或相互獨立的基本假定 則需要利用廣義最小二乘法 GLS 對模型進行估計 2 固定效應變截距模型的廣義最小二乘估計 主要考慮4種基本的方差結構 個體成員截面異方差 時期異方差 同期相關協方差和時期間相關協方差 如果隨機干擾項滿足同方差且同期不相關 但隨機干擾項與解釋變量相關 這時 無論是OLS估計量還是GLS估計量都是有偏非一致估計量 此時需要采用二階段最小二乘法 2SLS 對模型進行估計 3 固定效應變截距模型的二階段最小二乘估計 二 隨機效應變截距回歸模型 個體 模型進一步假設 模型存在的問題 同一個體成員 不同時期的隨機干擾項之間存在一定的相關性 普通OLS估計雖然仍是無偏和一致估計 但其不再有效估計 因此 一般用廣義最小二乘法 GLS 對隨機效應模型進行估計 方差成分模型 方差成分GLS法 隨機效應變截距模型的估計 EViews按下列步驟估計隨機效應變截距模型 個體 第五節(jié)變系數回歸模型 前面所介紹的變截距模型中 橫截面成員的個體影響是用變化的截距來反映的 即用變化的截距來反映模型中忽略的反映個體差異的變量的影響 然而現實中變化的經濟結構或不同的社會經濟背景等因素有時會導致反映經濟結構的參數隨著橫截面?zhèn)€體的變化而變化 因此 當現實數據不支持變截距模型時 便需要考慮這種系數隨橫截面?zhèn)€體的變化而改變的變系數模型 這種情形意味著模型在截面上既存在個體影響 又存在結構變化 我們又稱該模型為無約束回歸模型 變系數模型假定在截面?zhèn)€體成員上截距項和模型的解釋變量系數都不同 需要估計的參數個數 N K 1 個 EViews按下列步驟估計變系數模型 第六節(jié)效應檢驗與模型形式設定檢驗 建立面板數據模型前的首要任務是確定被解釋變量與截距項和系數的關系 截距項是否相同 系數是否一致 是固定效應還是隨機效應模型 從而避免模型設定的偏差 改進參數估計的有效性 一 Hausman檢驗在實際應用中 究竟是采用固定效應模型還是采用隨機效應模型 我們可以進行模型設定檢驗 豪斯曼Hausman 1978 提出了一種嚴格的統(tǒng)計檢驗方法 Hausman檢驗 固定效應模型LSDV估計量無偏 GLS估計量有偏隨機效應模型LSDV和GLS估計量都無偏 但LSDV估計量有較大方差固定效應模型LSDV估計量和GLS估計量的估計結果有較大的差異隨機效應模型LSDV估計量和GLS估計量的估計結果就比較接近 Hausman檢驗的原理 Hausman檢驗的原假設與被擇假設 H0 個體隨機效應回歸模型H1 個體固定效應回歸模型 設b 分別為回歸系數的LSDV估計向量 GLS估計向量 如果真實模型是個體隨機效應回歸模型 那么b和二者差異應該比較小 如果真實模型是個體固定效應回歸模型 那么b和二者差異應該比較大 Hausman證明在原假設下 統(tǒng)計量W服從自由度為K 模型中解釋變量的個數 的分布 即 構造Hausman檢驗的W統(tǒng)計量 為之差的方差 即 為了實現Hausman檢驗 必須首先估計一個隨機效應模型 然后 選擇View Fixed RandomEffectsTesting CorrelatedRandomEffects HausmanTest EViews將自動估計相應的固定效應模型 計算檢驗統(tǒng)計量 顯示檢驗結果和輔助回歸結果 Hausman檢驗的EViews操作 二 模型形式設定檢驗 如果模型設定不正確 參數估計將造成較大的偏差 所以 在建立面板數據模型的第一步便是檢驗樣本數據究竟屬于混合回歸模型 變截距回歸模型還是變系數回歸模型形式 從而避免模型設定的偏誤 經常使用的檢驗是協方差分析檢驗 F檢驗 主要分兩步進行檢驗 第一步檢驗 是否混合模型 H02 混合回歸模型 受約束 H01 變截距回歸模型 受約束 第二步檢驗 是否變截距回歸模型 如果接受假設H02 則可以認為模型為混合回歸模型 無需進行下一步的檢驗 如果拒絕假設H02 則需檢驗假設H01 第一步檢驗 是否混合模型 H02 混合回歸模型 受約束 如果接受假設H01 則可以認為模型為變截距回歸模型 如果拒絕假設H01 則認為模型為變系數回歸模型 H01 變截距回歸模型 受約束 第二步檢驗 是否變截距回歸模型 下面介紹假設檢驗的F統(tǒng)計量的計算方法 首先計算變系數回歸模型的殘差平方和 記為S0 變截距回歸模型的殘差平方和記為S1 混合回歸模型的殘差平方和記為S2 構造并計算統(tǒng)計量 例9 3 第七節(jié)面板數據的單位根檢驗和協整檢驗 一 面板數據的單位根檢驗 一 面板數據的單位根檢驗分類 二 面板數據的單位根檢驗應用舉例二 面板數據的協整檢驗 一 檢驗方法分類 二 面板數據協整檢驗的應用舉例 一般情況下可以將面板數據的單位根檢驗劃分為兩大類 一類為相同根情形下的單位根檢驗 檢驗方法包括LLC Levin Lin Chu 檢驗 Breitung檢驗 另一類為不同根情形下的單位根檢驗 檢驗方法包括Im Pesaran Skin檢驗 Fisher ADF檢驗和Fisher PP檢驗 一 面板數據的單位根檢驗 一 面板數據的單位根檢驗分類 二 面板數據的單位根檢驗應用舉例 面板數據的協整檢驗方法可以分為兩大類 一類是建立在EngleandGranger二步法檢驗基礎上的面板協整檢驗 具體方法主要有Pedroni檢驗和Kao檢驗 另一類是建立在Johansen協整檢驗基礎上的面板協整檢驗 二 面板數據的協整檢驗 一 檢驗方法分類 1 Pedroni檢驗Pedroni提出了基于EngleandGranger二步法的面板數據協整檢驗方法 該方法以協整方程的回歸殘差為基礎構造7個統(tǒng)計量來檢驗面板變量之間的協整關系 2 Kao檢驗Kao檢驗和Pedroni檢驗遵循同樣的方法 都是基于EngleandGranger二步法而發(fā)展起來的 但不同于Pedroni檢驗 Kao檢驗在第一階段將回歸方程設定為系數相同 截距項不同 第二階段基于DF檢驗和ADF檢驗的原理 對第一階段求得的殘差序列進行平穩(wěn)性檢驗 二 面板數據協整檢驗的應用舉例