(10)17.1面板数据的基本概念(修改)1.ppt

《(10)17.1面板数据的基本概念(修改)1.ppt》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、第17章合并时间序列数据与截面混合数据（面板数据PanelData）一、问题的提出在经济数据中，同时具有时间序列性质和截面性质的数据是常见的。例如统计年鉴中给出各地区的若干系列的年度指标。这种数据简称为面板数据（PanelData）。时间序列数据与截面数据在研究某些经济问题时是必不可少的。由于这类数据的独特优点，使得面板数据模型得到了广泛的应用。一个例子（伍德444页）利用美国1982年和1987年的46个城市的犯罪和失业的数据，建立回归模型，得回归方程：Crnrte–犯罪率，unem-失业率，如

2、果方程的解释，增加失业率将会减少犯罪率，这个结果有背于常理。这可能是遗漏了影响因变量而又无法观测的解释变量的结果。解决问题的方法之一，是利用面板数据。二、对于两个时期面板数据（一）两个时期面板数据模型把影响因变量的无法观测因素分为两类：一类是恒常不变的，另一类则随时间而变。令i表示横截面单元，t表示时期，我们可将含有单个可观测解释变量的模型写成：（17.1.0）在yit中，i表示个人、企业、城市等，t表示时期，变量d2t是在t=1时取0值，在t=2时取值1的虚拟变量；变量ai概括了影响yit但又不

3、随时间而变化的所有无法观测因素，一般被称为非观测效应或固定效应，式（17.1.0）被称为固定效应模型。误差uit称为特异误差(idiosyncraticerror)或时变(time-varying)误差。（二）处理固定效应模型的一个方法——一阶差分法模型（17.1.0）当t=2时，（1）模型（17.1.0）当t=1时（2）（1）-（2）：或固定效应ai被差分掉了，只要无关，就可以应用OLS估计。如果对犯罪率问题应用一阶差分法：差分掉了在时间上恒定的效应，得出符合常理的结论。此方法的缺陷是要求自变量

4、外生，否则，得不到一致估计量。如果解释变量存在测量误差，差分效果可能更差。解决固定效应模型更一般的方法是随机效应模型估计法。17.1面板数据（PanelData）模型的基本类型面板数据模型的基本框架可表示形式如下：（17.1.1）其中引入常数项，使得我们能够假定非观测效应ai有零均值而不失一般性。并且假定非观测效应与每个解释变量无关：COV(xitj,ai)=0,t=1,2,…,T;j=1,2,…,k1.混合回归模型(pooledregression):若ai只是一个常数a，则（17.1.1）可视

5、为普通线性模型:（17.1.2）其中,可应用普通最小二乘法。2.固定效应模型(fixedeffects)若ai无法观测，且与一个或多个相关，则作为遗漏变量处理的结果，β的最小二乘估计量将是有偏且不一致的。但是，如果ai只是回归模型中每组各自不同的常数项，就成为固定效应模型：（17.1.3）称为固定效应，这里“固定”一词，指的是不随时间而变化，并不是说它是非随机的。3.随机效应模型(randomeffects)非观测效应与所含变量无关即，则随机效应模型可表示为：（17.1.4）其中，由于ai在每个时

6、期都是复合误差的一部分，所以不同时期的是序列相关的。这是因为在随机效应条件下的协方差为：由于所以应用GLS法估计随机效应模型，其变换推导过程较繁，其变换本身还算简单，首先定义：它介于0~1之间。变换后的模型为（17.1.0.2）（17.1.0.2）误差项已无序列相关，可应用OLS法。由于计算是一个复杂的过程，这里只介绍如何使用EViews进行计算，主要介绍固定效应模型的估计。