面板数据模型

《面板数据模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、面板数据模型4.4.1面板数据简介所谓面板数据，是指同一截面单元数据集上对不同时间段上的重复观测值(repeatedobservationsonthesamesetofcross-sectionunit`s)。时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据（paneldata）也称时间序列截面数据（timeseriesandcrosssectiondata）或混合数据（pooldata）。面板数据是同时在时间和截面空间上取得的二维数据。这种数据具有如下优点：(1)面板数据可以很

2、好地容纳、控制不可观测的个体单元集之间的异质性、动态性。(2)面板数据充分利用了时间段和截面单元的信息，给出了更多的变量、数据信息、自由度，从而减少了变量之间多重共线性的产生，使估计结果更加有效、稳定、可靠。(3)面板数据可以将不同时间点上的经历和行为联系起来，表明不同个体的截面数据是如何随时间的变化而变化的，能够更好地研究数据的动态矫正。截面变量和时间变量的结合信息能够显著地减少缺省变量所带来的问题。一般地，截面参数随时间变化的方式可能不能由时间序列解释变量的选择反映出来。或者个体在截面上的重要变化方式不由截面变量的选择所反映。(4)面板数据可以

3、研究不断变化的个体类型。(5)面板数据模型可以构造和检验比纯时间序列和截面数据更为复杂的行为模型，如技术的有效性。面板数据集可以区分出单用截面数据或时间序列数据都不能得到的经济作用。(6)面板数据使我们能够研究每个样本随时间的变化，以及每个样本在某时间点上的不同。面板数据模型可以给出较纯时间序列和截面数据更好的预测。因此，面板数据的使用使得模型的确认变得更加困难；面板数据的干扰可能包含了时间序列干扰、截面干扰，以及时间序列和截面的混合干扰。最常见的面板数据有以下几类：平衡面板数据：这种数据结构的个体在所有的时间段上都是相同的；不平衡面板数据：在每一

4、个时间段上，都有旧的个体退出，新的个体进入，即每一个时间段上个体的数目都不相同；旋转面板数据：每一个时间段上更新相同数目的样本；伪面板数据。4.4.2传统面板数据模型及其估计面板数据一个明显的特点是：可以从模型中反映出个体异质性。yit=αi+βXit+uit（i=1，…，N　　　　t=1，…，T）其中，N为截面个数(或个体个数)，T为每一个体对应的时间长度，uit为误差成分。随着个体的不同，αi也不相同，称为个体的异质性(通常是不可观测的)。β对所有的N都是一致的，为保证估计的一致性和有效性，对模型作如下设定：(1)同均值：E(ei)=0(2)外

5、生性：Corr(ei，xi)=0(3)同方差性：Var(ei)=s2=常数(4)序列不相关性：Corr(ei，ej)=0，i≠j在小样本的情况下还要保证随机扰动项的正态性。若直接用普通最小二乘法估计会存在如下的问题：αi是偶然参数，它的数目随着N的增大而增大，而且参数的个数N+K数目将会很大。为此可以考虑将偶然参数αi的异质性剔除，将异质性归并到误差项中，即令模型为：yit=α+βXit+uit（i=1，…，N　　t=1，…，T）uit=μi+vit此处μi代表不可观测的异质性，vit代表剩余扰动项。随着对误差项成分的进一步分解，又可将面板数据模型

6、分解为单项误差成分模型(one-wayerrorcomponentregressionmodel)和二项误差成分模型(two-wayerrorcomponentregressionmodel)，下面仅讨论单项误差成分模型的设定和估计。单项误差成分模型(one-wayerrorcomponentregressionmodel)模型设定为：yit=α+βXit+μi+vit（i=1，…，N　　　t=1，…，T）此处μi代表随个体变化的不可观测的异质性，不随时间变化。vit代表随时间和个体变化的剩余扰动项。对μi设定的不同又将模型区分为固定效应模型和随机

7、效应模型两大类。在固定效应模型中，假设μi是待估的固定参数，直接采用最小二乘哑元变量的回归会造成估计结果的不一致性，根本原因就在于，模型中包含了随个体变化而变化的偶然参数。因此可以考虑先对模型进行变换，消去偶然参数，即采用组内回归(withinregression)方法估计。随机效应模型中，μi、vit都是随机变量。固定效应模型的组内回归结果具有如下特点：(1)T→∞，固定效应的估计是一致的。(2)T固定及T→∞组内回归的β是一致的。只有当T较大时，组内回归的αi才是一致的。固定效应模型与PooledModel相比，充分利用了面板数据的信息，它的弱

8、点在于：①若是在个体或(和)时间上有过多的虚拟变量，模型会损失大量的自由度，导致检验的势过弱的困境。②随着变量的增多可能带