面板數(shù)據(jù)的統(tǒng)計(jì)方法-馮國(guó)雙

1、面板數(shù)據(jù)的統(tǒng)計(jì)分析方法面板數(shù)據(jù)的統(tǒng)計(jì)分析方法馮國(guó)雙馮國(guó)雙主要內(nèi)容主要內(nèi)容p1、面板數(shù)據(jù)簡(jiǎn)介、面板數(shù)據(jù)簡(jiǎn)介p2、面板數(shù)據(jù)的固定效應(yīng)模型、面板數(shù)據(jù)的固定效應(yīng)模型p3、面板數(shù)據(jù)的隨機(jī)效應(yīng)模型、面板數(shù)據(jù)的隨機(jī)效應(yīng)模型p4、動(dòng)態(tài)面板數(shù)據(jù)模型、動(dòng)態(tài)面板數(shù)據(jù)模型p5、空間空間面板數(shù)據(jù)模型面板數(shù)據(jù)模型面板數(shù)據(jù)面板數(shù)據(jù)p橫斷面數(shù)據(jù)橫斷面數(shù)據(jù) 時(shí)間序列數(shù)據(jù)時(shí)間序列數(shù)據(jù)城市城市手足口報(bào)告發(fā)病率手足口報(bào)告發(fā)病率北京0.78上海6.82重慶2.50哈爾濱0.06鄭州5.62廣州14.22烏魯木齊0.24月份月份手足口報(bào)告發(fā)病率手足口報(bào)告發(fā)病率1月0.782月0.763月6.144月24.715月53.776月67.73

2、7月47.268月19.379月15.2810月9.8811月9.1112月3.96面板數(shù)據(jù)面板數(shù)據(jù)城市城市1月月2月月3月月4月月5月月6月月7月月8月月9月月10月月11月月12月月北京北京0.780.766.1424.71 53.77 67.73 47.26 19.37 15.289.889.113.96上海上海6.823.1315.42 34.37 40.97 41.39 29.948.9210.487.117.197.20重慶重慶2.501.254.5514.24 14.21 10.505.911.242.063.865.014.52哈爾濱哈爾濱0.060.010.221.133.7

3、46.4810.123.701.630.980.520.39鄭州鄭州5.623.7018.55 15.01 23.17 18.10 11.416.963.893.002.321.76廣州廣州14.225.1918.05 51.16 64.49 50.34 33.61 17.12 24.32 25.578.766.32烏魯木齊烏魯木齊0.240.040.242.0513.58 27.16 22.519.016.187.325.632.44p面板數(shù)據(jù)（面板數(shù)據(jù)（panel data）面板數(shù)據(jù)面板數(shù)據(jù)p面板數(shù)據(jù)：面板數(shù)據(jù)：p同時(shí)含有橫斷面和時(shí)間序列的數(shù)據(jù)同時(shí)含有橫斷面和時(shí)間序列的數(shù)據(jù)p對(duì)一組固定個(gè)體

4、的多次觀測(cè)數(shù)據(jù)對(duì)一組固定個(gè)體的多次觀測(cè)數(shù)據(jù)p其它稱(chēng)謂：其它稱(chēng)謂：p重復(fù)追蹤數(shù)據(jù)重復(fù)追蹤數(shù)據(jù)p縱貫調(diào)查數(shù)據(jù)縱貫調(diào)查數(shù)據(jù)p面板數(shù)據(jù)面板數(shù)據(jù)p微觀微觀面板數(shù)據(jù)：面板數(shù)據(jù)：p主要指?jìng)€(gè)體的重復(fù)調(diào)查數(shù)據(jù)，一般個(gè)體數(shù)主要指?jìng)€(gè)體的重復(fù)調(diào)查數(shù)據(jù)，一般個(gè)體數(shù)N較大較大，觀察時(shí)間較短，觀察時(shí)間較短p宏觀面板宏觀面板數(shù)據(jù)數(shù)據(jù)p通常涉及一段時(shí)間內(nèi)國(guó)家、省等單位的重復(fù)調(diào)查通常涉及一段時(shí)間內(nèi)國(guó)家、省等單位的重復(fù)調(diào)查數(shù)據(jù)，觀察時(shí)間較長(zhǎng)數(shù)據(jù)，觀察時(shí)間較長(zhǎng)面板數(shù)據(jù)模型面板數(shù)據(jù)模型p面板數(shù)據(jù)用雙下標(biāo)變量面板數(shù)據(jù)用雙下標(biāo)變量yit表示表示p其中，其中，i=1,2,N 表示第表示第i個(gè)個(gè)體，共個(gè)個(gè)體，共N個(gè)個(gè)體個(gè)個(gè)體pt=1,2 ,T

5、表示第表示第t個(gè)觀測(cè)時(shí)間，共觀測(cè)個(gè)觀測(cè)時(shí)間，共觀測(cè)T次次pyit表示表示第第i個(gè)個(gè)個(gè)體在第個(gè)體在第t時(shí)間點(diǎn)的觀測(cè)值時(shí)間點(diǎn)的觀測(cè)值面板數(shù)據(jù)模型面板數(shù)據(jù)模型p面板數(shù)據(jù)模型面板數(shù)據(jù)模型的的一般一般形式形式pi是截距是截距項(xiàng)項(xiàng)pi=1,2,N（N為個(gè)體數(shù)為個(gè)體數(shù)）pt=1,2,T（T為每一個(gè)體的觀察時(shí)點(diǎn)數(shù)為每一個(gè)體的觀察時(shí)點(diǎn)數(shù)）pK為解釋變量為解釋變量個(gè)數(shù)個(gè)數(shù)puit是隨機(jī)誤差是隨機(jī)誤差項(xiàng)項(xiàng)Kkitkitkiituxy1混合混合模型模型p（一）混合模型（一）混合模型（pooled model）p表示對(duì)所有個(gè)體都有一個(gè)相同的截距項(xiàng)表示對(duì)所有個(gè)體都有一個(gè)相同的截距項(xiàng)。Kkitkitkituxy1混合模型混

6、合模型城市城市城市代碼城市代碼 月份月份 手足口發(fā)病率手足口發(fā)病率氣溫氣溫北京110.78-4.8北京120.76-1北京136.144.1北京1424.7111.2北京1553.7721.7北京1667.7324.7上海216.825.3上海223.137.5上海2315.429.3上海2434.3712.8上海2540.9720.8上海2641.3923.8哈爾濱310.06-17.1哈爾濱320.01-15.5哈爾濱330.22-7.2哈爾濱341.134哈爾濱353.7416哈爾濱366.4825.5烏魯木齊410.24-10.6烏魯木齊420.04-12.4烏魯木齊430.24-4.

7、4烏魯木齊442.058.7烏魯木齊4513.5816.2烏魯木齊4627.1622.5混合模型混合模型p混合模型混合模型混合模型混合模型p混合模型的參數(shù)估計(jì)：混合模型的參數(shù)估計(jì)：p混合模型將混合模型將所有數(shù)據(jù)混合在一起作為樣本數(shù)據(jù)所有數(shù)據(jù)混合在一起作為樣本數(shù)據(jù)，可可采用采用普通最小二乘法（普通最小二乘法（ordinary least square，OLS）進(jìn)行參數(shù)估計(jì)。）進(jìn)行參數(shù)估計(jì)。混合模型混合模型p混合模型的缺點(diǎn)：混合模型的缺點(diǎn)：p假定所有個(gè)體（如不同省、市、區(qū)縣、家庭）都假定所有個(gè)體（如不同省、市、區(qū)縣、家庭）都是同質(zhì)的，沒(méi)有區(qū)分不同個(gè)體，也無(wú)法說(shuō)明是否是同質(zhì)的，沒(méi)有區(qū)分不同個(gè)體，也無(wú)

8、法說(shuō)明是否不同個(gè)體之間存在差異。不同個(gè)體之間存在差異。p掩蓋掩蓋了個(gè)體間可能存在的異質(zhì)性，把個(gè)體特征全了個(gè)體間可能存在的異質(zhì)性，把個(gè)體特征全部放到誤差項(xiàng)中。部放到誤差項(xiàng)中?；旌夏Ｐ突旌夏Ｐ蚿針對(duì)混合模型缺點(diǎn)的解決方法：針對(duì)混合模型缺點(diǎn)的解決方法：p需要體現(xiàn)出個(gè)體的差異，主要基于兩種方法：需要體現(xiàn)出個(gè)體的差異，主要基于兩種方法：p1、個(gè)體固定效應(yīng)模型、個(gè)體固定效應(yīng)模型p2、個(gè)體隨機(jī)效應(yīng)模型、個(gè)體隨機(jī)效應(yīng)模型固定效應(yīng)固定效應(yīng)模型模型p（二）個(gè)體固定效應(yīng)模型（二）個(gè)體固定效應(yīng)模型（fixed effect model）p把各個(gè)個(gè)體的值設(shè)定為一套固定的參數(shù)，采用一把各個(gè)個(gè)體的值設(shè)定為一套固定的參數(shù)，采

9、用一定的方法估計(jì)定的方法估計(jì)出來(lái)出來(lái)p個(gè)體固定效應(yīng)模型根據(jù)不同情況還可分為：個(gè)體固定效應(yīng)模型根據(jù)不同情況還可分為：p1、變截距的個(gè)體固定效應(yīng)模型、變截距的個(gè)體固定效應(yīng)模型p2、變斜率、變斜率/系數(shù)的個(gè)體固定效應(yīng)模型系數(shù)的個(gè)體固定效應(yīng)模型固定效應(yīng)固定效應(yīng)模型模型p1、變截距的個(gè)體固定效應(yīng)模型：、變截距的個(gè)體固定效應(yīng)模型：pi反映反映了了個(gè)體對(duì)個(gè)體對(duì)總均值的總均值的偏離偏離，表示表示不同不同個(gè)體有個(gè)體有不同的截距不同的截距項(xiàng)項(xiàng)。Kkitkitkiituxy1固定效應(yīng)模型固定效應(yīng)模型p變截距的固定效應(yīng)模型變截距的固定效應(yīng)模型固定效應(yīng)模型固定效應(yīng)模型p變截距固定效應(yīng)模型的參數(shù)估計(jì)：變截距固定效應(yīng)模型的

10、參數(shù)估計(jì)：p最小最小二乘虛擬變量（二乘虛擬變量（least square dummy variable，LSDV）p利用虛擬變量的方式，估計(jì)出所有個(gè)體的截距值利用虛擬變量的方式，估計(jì)出所有個(gè)體的截距值p如個(gè)體固定效應(yīng)模型可以表示為：如個(gè)體固定效應(yīng)模型可以表示為：p共需估計(jì)共需估計(jì)N個(gè)虛擬變量系數(shù)和個(gè)虛擬變量系數(shù)和K個(gè)自變量系數(shù)個(gè)自變量系數(shù)KkitkitkNNituxDDDy12211固定效應(yīng)模型固定效應(yīng)模型p2、變系數(shù)的個(gè)體固定效應(yīng)模型、變系數(shù)的個(gè)體固定效應(yīng)模型p也稱(chēng)似不相關(guān)回歸（也稱(chēng)似不相關(guān)回歸（Seemingly Unrelated Regression）pi反映了個(gè)體對(duì)總均值的偏離反映了

11、個(gè)體對(duì)總均值的偏離，表示不同個(gè)體有不同的截表示不同個(gè)體有不同的截距項(xiàng)距項(xiàng)。pi反映了個(gè)體對(duì)反映了個(gè)體對(duì)總總斜率斜率的的偏離偏離，表示不同個(gè)體有不同表示不同個(gè)體有不同的的斜斜率。率。Kkitkiitkiituxy1固定效應(yīng)模型固定效應(yīng)模型p變系數(shù)的固定效應(yīng)模型變系數(shù)的固定效應(yīng)模型隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型p（三）個(gè)體隨機(jī)效應(yīng)模型（三）個(gè)體隨機(jī)效應(yīng)模型（random effect model）p把把各個(gè)個(gè)體的值設(shè)為一套具有特定概率分布的隨機(jī)變各個(gè)個(gè)體的值設(shè)為一套具有特定概率分布的隨機(jī)變量，假定這些個(gè)體僅是從一個(gè)具有特定分布的總體中量，假定這些個(gè)體僅是從一個(gè)具有特定分布的總體中隨機(jī)抽取出來(lái)的隨機(jī)抽取出

12、來(lái)的p隨機(jī)效應(yīng)模型也可分為兩大類(lèi)：隨機(jī)效應(yīng)模型也可分為兩大類(lèi)：p1、變截距的個(gè)體隨機(jī)效應(yīng)模型、變截距的個(gè)體隨機(jī)效應(yīng)模型p2、變斜率、變斜率/系數(shù)的個(gè)體隨機(jī)效應(yīng)模型系數(shù)的個(gè)體隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)隨機(jī)效應(yīng)模型模型p1、變截距的個(gè)體隨機(jī)效應(yīng)模型：、變截距的個(gè)體隨機(jī)效應(yīng)模型：p2、變、變斜率的個(gè)體隨機(jī)效應(yīng)模型斜率的個(gè)體隨機(jī)效應(yīng)模型pvi是獨(dú)立于解釋變量的一個(gè)具有特定概率分布的是獨(dú)立于解釋變量的一個(gè)具有特定概率分布的隨機(jī)變量，反映了個(gè)體成員的隨機(jī)影響。隨機(jī)變量，反映了個(gè)體成員的隨機(jī)影響。Kkitkitkiituxvy1Kkitkiitkiituxvy1隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型p個(gè)體隨機(jī)效應(yīng)模型的參數(shù)估計(jì)

13、：個(gè)體隨機(jī)效應(yīng)模型的參數(shù)估計(jì)：p由于個(gè)體之間可能存在一定的相關(guān)，普通的最小由于個(gè)體之間可能存在一定的相關(guān)，普通的最小二乘法不再是最有效的估計(jì)二乘法不再是最有效的估計(jì)p通常采用通常采用可行可行廣義最小二乘法（廣義最小二乘法（feasible generalized least square，F(xiàn)GLS）。）。面板數(shù)據(jù)模型面板數(shù)據(jù)模型p固定效應(yīng)模型與隨機(jī)效應(yīng)模型：固定效應(yīng)模型與隨機(jī)效應(yīng)模型：p固定效應(yīng)模型中，假定每一個(gè)體有自己（固定）的截距；固定效應(yīng)模型中，假定每一個(gè)體有自己（固定）的截距；模型模型允許未被觀測(cè)到的變量與任何已觀測(cè)的自變量之間存允許未被觀測(cè)到的變量與任何已觀測(cè)的自變量之間存在相關(guān)在相

14、關(guān)。p隨機(jī)效應(yīng)模型中，假定這些個(gè)體是從一個(gè)更大的總體中隨隨機(jī)效應(yīng)模型中，假定這些個(gè)體是從一個(gè)更大的總體中隨機(jī)抽取的。機(jī)抽取的。未被觀測(cè)到的變量與所有自變量之間不相關(guān)未被觀測(cè)到的變量與所有自變量之間不相關(guān)。面板數(shù)據(jù)模型面板數(shù)據(jù)模型p如何選擇混合、固定或隨機(jī)效應(yīng)模型如何選擇混合、固定或隨機(jī)效應(yīng)模型p1、約束的、約束的F檢驗(yàn)（比較混合模型和固定效應(yīng)模型）檢驗(yàn)（比較混合模型和固定效應(yīng)模型）p判斷：如果判斷：如果P大于大于0.05，可以認(rèn)為約束模型（混合模型），可以認(rèn)為約束模型（混合模型）成立；否則認(rèn)為應(yīng)采用無(wú)約束模型（固定效應(yīng)模型）成立；否則認(rèn)為應(yīng)采用無(wú)約束模型（固定效應(yīng)模型）面板數(shù)據(jù)模型面板數(shù)據(jù)模型

15、p如何選擇混合、固定或隨機(jī)效應(yīng)模型如何選擇混合、固定或隨機(jī)效應(yīng)模型p2、BP檢驗(yàn)檢驗(yàn)（拉格朗日乘數(shù)檢驗(yàn)，比較混合模型和隨機(jī)效（拉格朗日乘數(shù)檢驗(yàn)，比較混合模型和隨機(jī)效應(yīng)模型）應(yīng)模型）p原假設(shè)（原假設(shè)（H0）為：接受混合模型為：接受混合模型pBP檢驗(yàn)檢驗(yàn)的統(tǒng)計(jì)量的統(tǒng)計(jì)量p判斷：如果判斷：如果P大于大于0.05，可以接受混合模型；，可以接受混合模型； P小于小于0.05，可認(rèn)為應(yīng)采用隨機(jī)效應(yīng)模型可認(rèn)為應(yīng)采用隨機(jī)效應(yīng)模型) 1 (1) 1(22222 ititititTNTLM面板數(shù)據(jù)模型面板數(shù)據(jù)模型p如何選擇混合、固定或隨機(jī)效應(yīng)模型如何選擇混合、固定或隨機(jī)效應(yīng)模型p3、Hausman檢驗(yàn)檢驗(yàn)（比較隨

16、機(jī)效應(yīng)模型和固定效應(yīng)模型）（比較隨機(jī)效應(yīng)模型和固定效應(yīng)模型）p原假設(shè)（原假設(shè)（H0）為：接受隨機(jī)效應(yīng)模型為：接受隨機(jī)效應(yīng)模型pHausman檢驗(yàn)檢驗(yàn)的統(tǒng)計(jì)量的統(tǒng)計(jì)量p判斷：如果判斷：如果P大于大于0.05，可以接受隨機(jī)效應(yīng)模型；，可以接受隨機(jī)效應(yīng)模型； P值值小小于于0.05，可認(rèn)為應(yīng)采用固定效應(yīng)模型，可認(rèn)為應(yīng)采用固定效應(yīng)模型)()(1GLSwGLSwW 面板數(shù)據(jù)模型面板數(shù)據(jù)模型p如何選擇混合、固定或隨機(jī)效應(yīng)模型如何選擇混合、固定或隨機(jī)效應(yīng)模型p4、更實(shí)際的考慮、更實(shí)際的考慮p流行病學(xué)中個(gè)體追蹤隨訪數(shù)據(jù)通?？紤]隨機(jī)效應(yīng)模型更為流行病學(xué)中個(gè)體追蹤隨訪數(shù)據(jù)通常考慮隨機(jī)效應(yīng)模型更為合適合適p省、市、

17、區(qū)等的觀察可考慮固定效應(yīng)模型省、市、區(qū)等的觀察可考慮固定效應(yīng)模型p結(jié)合實(shí)際研究目的而定結(jié)合實(shí)際研究目的而定面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例citycitymonthhfmtemperature北京北京110.78-4.8北京北京120.76-1北京北京136.144.1北京北京1424.7111.2北京北京1553.7721.7北京北京1667.7324.7上海上海216.825.3上海上海223.137.5上海上海2315.429.3上海上海2434.3712.8上海上海2540.9720.8上海上海2641.3923.8哈爾濱哈爾濱310.06-17.1哈爾濱哈爾濱320.01-15.5哈

18、爾濱哈爾濱330.22-7.2哈爾濱哈爾濱341.134哈爾濱哈爾濱353.7416哈爾濱哈爾濱366.4825.5烏魯木齊烏魯木齊410.24-10.6烏魯木齊烏魯木齊420.04-12.4烏魯木齊烏魯木齊430.24-4.4烏魯木齊烏魯木齊442.058.7烏魯木齊烏魯木齊4513.5816.2烏魯木齊烏魯木齊4627.1622.5例例1：四個(gè)城市四個(gè)城市1-6月份月份手足口病報(bào)告發(fā)病手足口病報(bào)告發(fā)病率與氣溫的關(guān)系率與氣溫的關(guān)系面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p首先進(jìn)行因變量的變換首先進(jìn)行因變量的變換 原變量原變量 對(duì)數(shù)變換對(duì)數(shù)變換面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p混合模型（混合模型（po

19、oled model）的最小二乘估計(jì)：）的最小二乘估計(jì)：pSAS程序：程序：pproc reg;pmodel lhfm=temp;prun;面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p最小二乘估計(jì)（最小二乘估計(jì)（pooled model）結(jié)果：）結(jié)果：面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p自相關(guān)的自相關(guān)的Durbin-Watson檢驗(yàn)檢驗(yàn)：pSAS程序：程序：pproc reg;pmodel lhfm=temp/dw dwprob;prun;面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例pDurbin-Watson檢驗(yàn)結(jié)果：檢驗(yàn)結(jié)果：p提示：可能存在空間或時(shí)間自相關(guān)提示：可能存在空間或時(shí)間自相關(guān)面板數(shù)據(jù)分析案例面板數(shù)據(jù)分

20、析案例p殘差（殘差（Residual）分析：）分析：面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p殘差殘差（Residual）分析分析面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p各城市的變化趨勢(shì)圖各城市的變化趨勢(shì)圖面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p個(gè)體固定效應(yīng)模型（最小二乘虛擬變量回歸）個(gè)體固定效應(yīng)模型（最小二乘虛擬變量回歸）pSAS程序程序pproc panel printfixed;pid city month;pmodel lhfm=temp/fixone;prun;面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p虛擬變量及自變量的估計(jì)結(jié)果：虛擬變量及自變量的估計(jì)結(jié)果：面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p各城市截距：各城市截

21、距：p烏魯木齊烏魯木齊：-0.4091p哈爾濱：哈爾濱：-0.4091-0.67097=-1.08007p北京：北京： -0.4091+1.123651=0.714551p上海：上海： -0.4091+1.210117=0.801017面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p固定效應(yīng)的約束固定效應(yīng)的約束F檢驗(yàn)：檢驗(yàn)：p模型擬合效果：模型擬合效果：p與與最小二乘回歸相比，最小二乘回歸相比，R2增加，增加，MSE降低。降低。面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p固定效應(yīng)模型的殘差分析固定效應(yīng)模型的殘差分析面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例pPooled模型預(yù)測(cè)值模型預(yù)測(cè)值p固定效應(yīng)模型預(yù)測(cè)值固定效應(yīng)模型預(yù)測(cè)值

22、面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p個(gè)體隨機(jī)效應(yīng)模型個(gè)體隨機(jī)效應(yīng)模型pSAS程序程序pproc panel;pid city month;pmodel lhfm=temp/ranone;prun;面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p隨機(jī)效應(yīng)模型估計(jì)結(jié)果：隨機(jī)效應(yīng)模型估計(jì)結(jié)果：p隨機(jī)效應(yīng)模型的擬合結(jié)果隨機(jī)效應(yīng)模型的擬合結(jié)果面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p Hausman檢驗(yàn)和檢驗(yàn)和BP檢驗(yàn)結(jié)果：檢驗(yàn)結(jié)果：pP值僅略大于值僅略大于0.05，考慮選擇固定效應(yīng)模型，考慮選擇固定效應(yīng)模型面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p擬合變斜率面板數(shù)據(jù)模型擬合變斜率面板數(shù)據(jù)模型固定效應(yīng)模型固定效應(yīng)模型p似不相關(guān)似不相關(guān)

23、回歸回歸（SUR）pproc syslin sur;pmodel y1=x1;pmodel y2=x2;pmodel y3=x3;pmodel y4=x4;prun;面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p似不相關(guān)模型（似不相關(guān)模型（SUR）面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p普通最小二乘回歸模型（普通最小二乘回歸模型（OLS）面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p SUR模型模型 OLS模型模型面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p擬合變斜率面板數(shù)據(jù)模型擬合變斜率面板數(shù)據(jù)模型隨機(jī)效應(yīng)模型隨機(jī)效應(yīng)模型pproc mixed covtest method=MIVQUE0 ;pclass city;pmodel

24、lhfm=temp/solution;prandom int temp/subject=city type=vc;prun;面板數(shù)據(jù)分析案例面板數(shù)據(jù)分析案例p隨機(jī)系數(shù)分析隨機(jī)系數(shù)分析p參數(shù)估計(jì)結(jié)果參數(shù)估計(jì)結(jié)果動(dòng)態(tài)面板數(shù)據(jù)模型動(dòng)態(tài)面板數(shù)據(jù)模型p如果現(xiàn)在的結(jié)果不僅受到當(dāng)前因素的影響，還可如果現(xiàn)在的結(jié)果不僅受到當(dāng)前因素的影響，還可能受到以往結(jié)果或因素的影響能受到以往結(jié)果或因素的影響，可，可考慮動(dòng)態(tài)面板考慮動(dòng)態(tài)面板數(shù)據(jù)模型數(shù)據(jù)模型。p動(dòng)態(tài)面板數(shù)據(jù)模型的參數(shù)估計(jì)通常采用廣義矩估動(dòng)態(tài)面板數(shù)據(jù)模型的參數(shù)估計(jì)通常采用廣義矩估計(jì)（計(jì)（GMM）1pitjitjitiitjYYX動(dòng)態(tài)面板數(shù)據(jù)模型動(dòng)態(tài)面板數(shù)據(jù)模型p例

25、例2：續(xù)例：續(xù)例1數(shù)據(jù)，考慮到手足口病發(fā)病有可能受數(shù)據(jù)，考慮到手足口病發(fā)病有可能受到上個(gè)月份手足口病例數(shù)的影響，采用動(dòng)態(tài)面板到上個(gè)月份手足口病例數(shù)的影響，采用動(dòng)態(tài)面板數(shù)據(jù)進(jìn)行分析數(shù)據(jù)進(jìn)行分析p分析：分析：p只只考慮前一個(gè)月手足口發(fā)病率的影響，將因變量考慮前一個(gè)月手足口發(fā)病率的影響，將因變量的一階滯后項(xiàng)納入模型的一階滯后項(xiàng)納入模型動(dòng)態(tài)面板數(shù)據(jù)模型動(dòng)態(tài)面板數(shù)據(jù)模型pSAS程序程序p proc panel;p id city month;p clag hfm(1) / out=hfmlag;prun;pproc panel data=hfmlag;p inst depvar;p model hfm

26、= hfm_1 temp/gmm twostep maxband=5;p id city month;prun;動(dòng)態(tài)面板數(shù)據(jù)模型動(dòng)態(tài)面板數(shù)據(jù)模型p主要結(jié)果：主要結(jié)果：空間面板空間面板數(shù)據(jù)模型數(shù)據(jù)模型p常見(jiàn)空間模型常見(jiàn)空間模型p1、空間、空間滯后模型（滯后模型（Spatial Lag Model，SLM）p該模型包括解釋變量該模型包括解釋變量X和空間滯后項(xiàng)和空間滯后項(xiàng)Wyp式中，式中，W是空間權(quán)重是空間權(quán)重矩陣。矩陣。是空間自回歸系數(shù)，是空間自回歸系數(shù)，反映樣本數(shù)據(jù)的空間依賴(lài)性，測(cè)量反映樣本數(shù)據(jù)的空間依賴(lài)性，測(cè)量y對(duì)周邊或相鄰對(duì)周邊或相鄰空間觀測(cè)的影響，如果空間觀測(cè)的影響，如果 0，提示存在區(qū)域

27、之間，提示存在區(qū)域之間的相互影響。的相互影響。表示隨機(jī)誤差。表示隨機(jī)誤差。XWyy空間面板數(shù)據(jù)模型空間面板數(shù)據(jù)模型p常見(jiàn)空間模型常見(jiàn)空間模型p2、空間誤差模型、空間誤差模型（Spatial Error Model，SEM）p該模型結(jié)合了一個(gè)標(biāo)準(zhǔn)的回歸模型和該模型結(jié)合了一個(gè)標(biāo)準(zhǔn)的回歸模型和一個(gè)一個(gè)隨機(jī)誤隨機(jī)誤差差的空間自回歸模型。的空間自回歸模型。p式中，式中，W是空間權(quán)重是空間權(quán)重矩陣，矩陣，是空間誤差相關(guān)的參是空間誤差相關(guān)的參數(shù)，數(shù)，表示隨機(jī)誤差。表示隨機(jī)誤差。 XyuW空間面板數(shù)據(jù)模型空間面板數(shù)據(jù)模型p兩種空間模型的選擇兩種空間模型的選擇p如果我們確信每個(gè)個(gè)體的如果我們確信每個(gè)個(gè)體的y值受到周?chē)档闹苯佑爸凳艿街車(chē)档闹苯佑绊?，可以考慮空間滯后模型。響，可以考慮空間滯后模型。p如果我們相信如果我們相信y并沒(méi)有直接受到周?chē)档挠绊懀](méi)有直接受到周?chē)档挠绊?，而是因?yàn)槟承┪覀儧](méi)有考慮到的因素而導(dǎo)致模型的是因?yàn)槟承┪覀儧](méi)有考慮到的因素而導(dǎo)致模型的誤差出現(xiàn)空間相關(guān)，此時(shí)可以考慮空間誤差模型誤差出現(xiàn)空間相關(guān)，此時(shí)可以考慮空間誤差模型?？臻g面板數(shù)據(jù)模型空間面板數(shù)據(jù)模型空間面板數(shù)據(jù)模型空間面板數(shù)據(jù)模型p兩種空間兩種空間面板數(shù)據(jù)模型面板數(shù)據(jù)模型（SPDM）p1、空間面板滯后模型、空間面板滯后模型p2、空間面板誤差模型、空間面板誤差模型空間空間