面板数据回归分析

第7章面板数据回归分析面板数据回归分析7.1面板数据模型7.1.1面板数据7.1.2面板数据模型7.2固定效应模型估计7.2.1固定效应模型估计7.2.2用EViews7.2估计固定效应模型面板数据回归分析7.3随机效应模型估计7.3.1随机效应模型估计7.3.2用EViews7.2估计随机效应模型7.4固定效应还是随机效应？—Hausman检验7.4.1Hausman检验原理7.4.2用EViews7.2进行Hausman检验重要概念面板数据回归分析7.1面板数据模型7.1.1面板数据7.1.2面板数据模型7.1面板数据模型7.1.1面板数据面板数据有横截面和时间两个维度，个横截面个体、个观测时期，样本个体表示为，若远大于，称之为短面板，本书只讨论短面板。NTitYNTNTTTNNYYYYYYYYY2122212121117.1面板数据模型7.1.1面板数据EViews中存放面板数据：将Excel中数据导入EViews，排列方式为无结构/不按日期的数据（Unstructured/Undated）7.1面板数据模型7.1.1面板数据EViews中存放面板数据：点击工作文件界面上的按钮Range，在弹出的WorkfileStructure对话框的Workfiletype栏内选择DatedPanel，7.1面板数据模型7.1.1面板数据EViews中存放面板数据：并在Panelidentifierseries（面板识别变量）下的第一栏CrosssectionIDseries（横截面识别变量）内输入变量名dq（地区），在第二栏Dateseries（日期识别变量）内输入变量名year：点击OK，数据按面板数据排列:7.1面板数据模型7.1.1面板数据EViews中存放面板数据：7.1面板数据模型7.1.2面板数据模型为个体的异质性，不可观测假设1：TtNiuXXXYititititiit,,2,1;,,2,1,3322110NiTtsXXXuitititis,,2,1,,,2,1,,0),,|E(321i7.1面板数据模型7.1.2面板数据模型假设2：TtNiuXXXYititititiit,,2,1;,,2,1,3322110TtNisjtiuuuujiuuuustuuuuujsitjsitjtitjtitisitisituit,,2,1;,,2,1),,(),(,0)(E),(Cov,,0)(E),(Cov,,0)(E),(Cov,)(Var27.1面板数据模型7.1.2面板数据模型面板数据模型不可观测的个体异质性例子7.1经济发展与污水排放例子7.2教育的回报•由于不可观测的地区和个人能力带来的内生性，使上述估计不一致。uititititiit)POPlog()CONSPlog()POP/GDPlog()2POLlog(3210NiuHoursBlackunionexperexpereducablLwageiiiiiiiii,,2,165423210面板数据模型固定效应模型和随机效应模型定义7.1固定效应和随机效应上述模型中的不可观测变量（1）与回归自变量相关，称之为固定效应模型；（2）与回归自变量不相关，称之为随机效应模型。•固定效应将消掉，随机效应则将其放入误差项，然后探索方差结构。TtNiuXXXYititititiit,,2,1;,,2,1,3322110ii7.2固定效应模型估计7.2.1固定效应模型估计7.2.2用EViews7.2估计固定效应模型7.2固定效应模型估计7.2.1固定效应模型估计核心是消掉个体异质性变量上述模型的OLS估计称之为固定效应估计（Fixedeffect）iTtNiuXXXYititititiit,,2,1;,,2,1,3322110NiuXXXYiiiiii,,2,1,3322110TtNiuuXXXXXXYYiitiitiitiitiit,,2,1;,,2,1,)()()(3332221117.2固定效应模型估计7.2.1固定效应模型估计例子7.1经济发展与污水排放例子7.2教育的回报•若采用普通的FE方法，教育变量会被消除掉，故不能被估计教育的回报。但若采用教育变量和年份虚拟变量相乘的方法，则可以估计：TtNiuHoursBlackunionexperexpereducablLwageitititititititiit,,2,1;,,2,1654232107.2固定效应模型估计7.2.1固定效应模型估计例子7.2教育的回报定义虚拟变量此时相减不至于消去教育变量，但是此时表示的是相对于1980年，教育对收入的影响大小。7,,2,1,otherwise,0198,18ttdtTtNiuHoursunionexperexperdeducdeducdeducablLwageititititititititiit,,2,1;,,2,1642328718218110i7.2固定效应模型估计7.2.1固定效应模型估计FD估计（FirstDifference）：其中，如果变量取值不随时间变化，差分后的模型在消去的同时，也将该变量消去，对应的回归系数无法估计。FD估计导致变量变化减少，估计出参数方差较大，效率比FE低。ititititituXXXY3322111,tiititZZZi7.2固定效应模型估计7.2.2用EViews7.2估计固定效应模型例子7.1的EViews操作：在工作文件界面选中参与回归的变量并以组打开，在文件表格界面点击Proc→MakeEquation进入模型设定界面完成模型设定。7.2固定效应模型估计7.2.2用EViews7.2估计固定效应模型例子7.1的EViews操作：点击PanelOptions选项，进入面板数据模型设定界面。第一栏选择固定效应（fixed），第二栏选择无时间异质性变量（none），第三栏选择GLS时的权重（Cross-sectionweight），第四栏选择协方差估计方法（Whitecross-section），最后一栏选择是否调整自由度7.2固定效应模型估计7.2.2用EViews7.2估计固定效应模型例子7.1的EViews操作：完成选择后点击OK得出参数估计输出结果:7.2固定效应模型估计7.2.2用EViews7.2估计固定效应模型例子7.2教育的回报EViews操作：为避免教育变量被消掉，采用前面介绍的虚拟变量与教育变量相乘作为新的自变量，并将不关心的不随时间变化的自变量去掉（否则无法估计！），如种族变量black，然后按上面的操作，最终输出结果：7.2固定效应模型估计7.2.2用EViews7.2估计固定效应模型例子7.2教育的回报EViews操作：7.3随机效应模型估计7.3.1随机效应模型估计7.3.2用EViews7.2估计随机效应模型7.3随机效应模型估计7.3.1随机效应模型估计•随机效应假设了与模型自变量不相关，因此关心的问题不再是内生性，而是如何提高估计的有效性，即探索复合误差项的方差结构。itiituviTtNiuvvXXXYitiitititititit,,2,1;,,2,1,,33221107.3随机效应模型估计7.3.1随机效应模型估计假设3：不可观测异质性满足（1）独立；（2）与独立，；（3）。Nii,,2,1,iituTtNi,,2,1,,,2,1Niii,,2,1,)(Var;0)(E27.3随机效应模型估计7.3.1随机效应模型估计结论1：随机效应模型复合误差项的性质如果面板数据模型的误差项和个体异质性满足假设1-假设3，则满足（1）对任何的和，与不相关；（2）对任何的和有；ituiitvji,st,itvjsjsjsXXX321,,ist,222)(Varuitvvstvvisit,),(Cov27.3随机效应模型估计7.3.1随机效应模型估计•上述模型不存在内生性，OLS估计有一致性，但是不满足不相关假设，OLS估计不是最优估计，要获得最优估计，需要作变换（习题7.6证明）•上述模型的OLS估计称之为随机效应模型估计（randomeffect）TtNiuvvXXXYitiitititititit,,2,1;,,2,1,,3322110itvTtNiuuvvXXXXXXYYiitiiitititiitiitiitiit,,2,1;,,2,1)()1()()()()1(33322211107.3随机效应模型估计7.3.1随机效应模型估计•随机效应与固定效应估计相似，固定效应处随机效应处TtNiuvvXXXYitiitititititit,,2,1;,,2,1,,3322110)/(11112222uuuTT17.3随机效应模型估计7.3.1随机效应模型估计•估计随机效应，首先要估计，故先要估计和•估计和的方法有三种：Swamy-Arora、Wallace-Hussain和Wansbeek-Kapteyn方法，常用第一种方法TtNiuvvXXXYitiitititititit,,2,1;,,2,1,,332211022u22u7.3随机效应模型估计7.3.2用EViews7.2估计随机效应模型数据导入、数据结构转换以及模型设定与固定效应模型估计一样，不同的是在paneloption的crosssection中选Random，还有和的估计方法22u7.3随机效应模型估计7.3.2用EViews7.2估计随机效应模型例子7.1输出结果：7.3随机效应模型估计7.3.2用EViews7.2估计随机效应模型由于随机效应模型不再消掉不随时间变化的自变量，故这些解释变量都可以在模型中保留下来。例子7.2的EViews回归结果7.3随机效应模型估计7.3.2用EViews7.2估计随机效应模型例子7.2的EViews回归结果7.4固定效应还是随机效应？——Hausman检验7.4.1Hausman检验原理7.4.2用EViews7.2进行Hausman检验7.4固定效应还是随机效应？——Hausman检验7.4.1Hausman检验原理比较随机效应和固定效应下参数估计是否有差别，若差别显著，则认为应采用固定效应（稳健优先）：若不显著，则认为应采用随机效应（效率优先）。Hausman检验构造的统计量只对斜率系数进行比较。7.4固定效应还是随机效应？——Hausman检验7.4.1Hausman检验原理假设三个斜率参数的固定效应估计和随机效应估计分别为和•可以对整体模型进行Hausman检验，如：用、、构造分布•也可对单个参数进行Hausman检验，如：ititititiituXXXY3322110FE3FE2FE1ˆ,ˆ,ˆRE3RE2RE1ˆ,ˆ,ˆ2RE1FE1)ˆˆ(2RE2FE2)ˆˆ(2RE3FE3)ˆˆ(2)1,0(~Var(Diff)ˆˆ)(RE1FE11Nta7.4固定效应还是随机效应？——Hausman检验7.4.2用EViews7.2进行Hausman检验首先进行随机效应模型估计，在估计结果界面进行相应的操作，在随机效应估计结果界面点击View→Fixed/Rando