资源描述：
《面板数据的处理.ppt》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。
1、面板数据的处理引言如果想估计我国的“消费函数”如果我有2005年31个省市自治区的“家庭可支配收入”与“家庭消费”的数据则画散点图；做回归；引言利用2005年31个省市自治区的“家庭可支配收入”与“家庭消费”的数据：CONS=-10.51+1.31*INCOME引言如果想估计我国的“消费函数”如果我有北京市2000—2008年的“家庭可支配收入”与“家庭消费”的数据则画散点图；做回归；引言利用北京市2000—2008年的“家庭可支配收入”与“家庭消费”的数据：CONS=-4732.85+1.72*INCOME引言如果想估计我国的“消费函数”如
2、果我有31个省市自治区，从2000—2008年的“家庭可支配收入”与“家庭消费”的数据应该如何做回归？引言可能的处理方法：谨慎型无知者无谓型引言谨慎型估计31个不同地区的消费方程；本质假设：消费行为在不同地区之间有差异，但同一地区在不同时间内没有差异；引言谨慎型估计9个不同时期的全国消费方程；本质假设：消费行为在不同地区之间没有差异，但同一地区在不同时间内有差异；引言无知者无谓型把所有数据混在一起做回归；本质假设：消费行为在不同地区之间没有差异，同一地区在不同时间内也没有差异；引言上述处理方法的缺陷没有充分利用数据；无法避免遗漏变量的影响；有
3、时候无法进行上述处理；面板数据的处理一、基本概念二、案例：啤酒税与交通死亡率之间的回归面板数据的处理一、基本概念面板数据（paneldata）平衡面板数据、非平衡面板数据(balancedpaneldata)二、案例研究:啤酒税与交通死亡率U.S.trafficdeathdatafor1982:较高的酒精税，更多的交通死亡吗？$1982U.S.trafficdeathdatafor1988较高的酒精税，更多的交通死亡吗？啤酒税越高，交通死亡率越高？？？遗漏因素可能引起遗漏变量偏误。Example#1:trafficdensity.Suppos
4、e:(i)Hightrafficdensitymeansmoretrafficdeaths(ii)(Western)stateswithlowertrafficdensityhaveloweralcoholtaxes·特别地，“高税收”可能反映“高的交通密度”(所以OLS系数可能是正偏误–高税收，更多的死亡)·当遗漏变量在给定的州内并不随着时间变化而改变时，面板数据可以让我们消除遗漏变量偏误。两时期面板数据SupposeEu
5、BeerTax,i)=0.主要的想法:从1982到1988年死亡率的任何改变，不可能由Zi引起，因为(byassump
6、tion)在1982到1988年期间Zi没有改变数学:considerfatalityratesin1988and1982:FatalityRatei1988=b0+b1BeerTaxi1988+b2Zi+ui1988FatalityRatei1982=b0+b1BeerTaxi1982+b2Zi+ui1982(ititZ把两个时期的回归方程相减FatalityRatei1988=b0+b1BeerTaxi1988+b2Zi+ui1988FatalityRatei1982=b0+b1BeerTaxi1982+b2Zi+ui1982soFata
7、lityRatei1988–FatalityRatei1982=b1(BeerTaxi1988–BeerTaxi1982)+(ui1988–ui1982)·新的误差项,(ui1988–ui1982),与BeerTaxi1988或BeerTaxi1982.都不相关。·这个“相减的”等式可以用OLS进行估计,尽管Zi无法观测。啤酒税与交通死亡率FatalityRatev.BeerTax:固定效应的回归FixedEffectsRegressionWhatifyouhavemorethan2timeperiods(T>2)?Yit=b0+b1Xi
8、t+b2Zi+uit,i=1,…,n,T=1,…,TWecanrewritethisintwousefulways:1.“n-1二元自变量”regressionmodel2.“固定效应”regressionmodelYit=b0+b1Xit+b2Zi+ui,i=1,…,n,T=1,…,T我们首先重写为“固定效应”的形式.Supposewehaven=3states:California,Texas,Massachusetts.Yit=b0+b1Xit+b2Zi+ui,i=1,…,n,T=1,…,TCalifornia(thatis,i=CA)
9、的总体回归:YCA,t=b0+b1XCA,t+b2ZCA+uCA,t=(b0+b2ZCA)+b1XCA,t+uCA,torYCA,t=aCA+b1XCA,t+uCA
