面板數(shù)據(jù)分析方法

1、面板數(shù)據(jù)分析方法面板數(shù)據(jù)分析方法第1頁(yè)面板數(shù)據(jù)分析方法第2頁(yè)Baltagi Baltagi著 白仲林主譯面板數(shù)據(jù)分析方法第3頁(yè)面板數(shù)據(jù)分析方法第4頁(yè)面板數(shù)據(jù)分析方法第5頁(yè)第一節(jié) 面板數(shù)據(jù)基本問(wèn)題第二節(jié) 面板數(shù)據(jù)模型形式第三節(jié) 面板數(shù)據(jù)模型預(yù)計(jì)方法面板數(shù)據(jù)分析方法第6頁(yè)第一節(jié) 面板數(shù)據(jù)基本問(wèn)題 一、面板數(shù)據(jù)定義二、面板數(shù)據(jù)分類(lèi)三、面板數(shù)據(jù)特點(diǎn)面板數(shù)據(jù)分析方法第7頁(yè)一、面板數(shù)據(jù)定義 面板數(shù)據(jù)（panel data）是指由變量y關(guān)于N個(gè)不一樣對(duì)象T個(gè)觀察期所得到二維結(jié)構(gòu)數(shù)據(jù)，記為yit，其中，i表示N個(gè)不一樣對(duì)象（如國(guó)家、地域、行業(yè)、企業(yè)或消費(fèi)者等，普通稱(chēng)之為第i個(gè)個(gè)體），t表示T個(gè)觀察期。面板數(shù)據(jù)

2、分析方法第8頁(yè)面板數(shù)據(jù)是二維結(jié)構(gòu)數(shù)據(jù) 時(shí)間序列數(shù)據(jù)或截面數(shù)據(jù)都是一維數(shù)據(jù)。時(shí)間序列數(shù)據(jù)是變量按時(shí)間得到數(shù)據(jù)；截面數(shù)據(jù)是變量在固定時(shí)點(diǎn)一組數(shù)據(jù)。面板數(shù)據(jù)是同時(shí)在時(shí)間和截面上取得二維數(shù)據(jù)。所以 ，面板數(shù)據(jù)(panel data)也稱(chēng)作時(shí)間序列與截面混合數(shù)據(jù)(pooled time series and cross section data)。面板數(shù)據(jù)是截面上個(gè)體在不一樣時(shí)點(diǎn)重復(fù)觀察數(shù)據(jù)。面板數(shù)據(jù)分析方法第9頁(yè)面板數(shù)據(jù)是二維結(jié)構(gòu)數(shù)據(jù) Panel原指對(duì)一組固定調(diào)查對(duì)象屢次觀察，近年來(lái)panel data已經(jīng)成為專(zhuān)業(yè)術(shù)語(yǔ)。 面板數(shù)據(jù)從橫截面看(cross section)，是由若干個(gè)體(entity,u

3、nit,individual)在某一時(shí)點(diǎn)組成截面觀察值，從縱剖面(longitudinal section)看每個(gè)個(gè)體都是一個(gè)時(shí)間序列。面板數(shù)據(jù)分析方法第10頁(yè)數(shù)據(jù)結(jié)構(gòu)二維性時(shí)間序列數(shù)據(jù)橫截面數(shù)據(jù)變量X面板數(shù)據(jù)結(jié)構(gòu)面板數(shù)據(jù)分析方法第11頁(yè)面板數(shù)據(jù)是二維結(jié)構(gòu)數(shù)據(jù)面板數(shù)據(jù)分析方法第12頁(yè)面板數(shù)據(jù)分析方法第13頁(yè)面板數(shù)據(jù)分析方法第14頁(yè)第一節(jié) 面板數(shù)據(jù)基本問(wèn)題 一、面板數(shù)據(jù)定義二、面板數(shù)據(jù)分類(lèi)三、面板數(shù)據(jù)特點(diǎn)面板數(shù)據(jù)分析方法第15頁(yè)二、面板數(shù)據(jù)分類(lèi) 1.短面板與長(zhǎng)面板 短面板(short panel)：時(shí)間T較小，而個(gè)體數(shù)N較大。 長(zhǎng)面板(long panel)：時(shí)間T較大，而個(gè)體數(shù)N較小。面板數(shù)據(jù)

4、分析方法第16頁(yè)二、面板數(shù)據(jù)分類(lèi) 2.微觀面板數(shù)據(jù)與宏觀面板數(shù)據(jù) 微觀面板數(shù)據(jù)普通指一段時(shí)期內(nèi)不一樣個(gè)體或者家庭調(diào)查數(shù)據(jù)，其數(shù)據(jù)中往往個(gè)體單位較多，即N較大（通常均為幾百或上千）而時(shí)期數(shù)T較短（最短為兩個(gè)時(shí)期，最長(zhǎng)普通不超出20個(gè)時(shí)期）。面板數(shù)據(jù)分析方法第17頁(yè)二、面板數(shù)據(jù)分類(lèi) 2.微觀面板數(shù)據(jù)與宏觀面板數(shù)據(jù) 宏觀面板數(shù)據(jù)通常為一段時(shí)間內(nèi)不一樣國(guó)家或地域數(shù)據(jù)集合，其個(gè)體單位數(shù)量N不大（普通為7-200）而時(shí)期數(shù)T較長(zhǎng)（普通為20-60年）。面板數(shù)據(jù)分析方法第18頁(yè)二、面板數(shù)據(jù)分類(lèi) 3.動(dòng)態(tài)面板與靜態(tài)面板 在面板模型中，假如解釋變量包含被解釋變量滯后值，則稱(chēng)為“動(dòng)態(tài)面板”(dynamic pan

5、el)；反之，則稱(chēng)為“靜態(tài)面板”(static panel)。面板數(shù)據(jù)分析方法第19頁(yè)二、面板數(shù)據(jù)分類(lèi) 4.平衡面板數(shù)據(jù)與非平衡面板數(shù)據(jù) 假如在面板數(shù)據(jù)中，每個(gè)時(shí)期在樣本中個(gè)體完全一樣，則稱(chēng)為“平衡面板數(shù)據(jù)”(balanced panel)；然而，有時(shí)一些個(gè)體數(shù)據(jù)可能缺失，或者新個(gè)體以后才加入到調(diào)查中來(lái)，在這種情況下，每個(gè)時(shí)期觀察到個(gè)體不完全相同，則稱(chēng)為“非平衡面板數(shù)據(jù)”(unbalanced panel)。面板數(shù)據(jù)分析方法第20頁(yè)第一節(jié) 面板數(shù)據(jù)基本問(wèn)題 一、面板數(shù)據(jù)定義二、面板數(shù)據(jù)分類(lèi)三、面板數(shù)據(jù)特點(diǎn)面板數(shù)據(jù)分析方法第21頁(yè)三、面板數(shù)據(jù)特點(diǎn) 1.因?yàn)橛^察值增多，能夠增加預(yù)計(jì)量抽樣精度。 因

6、為同時(shí)有截面維度與時(shí)間維度，通常面板數(shù)據(jù)樣本容量更大，從而能夠提升預(yù)計(jì)準(zhǔn)確度。 面板數(shù)據(jù)提供“愈加有信息價(jià)值數(shù)據(jù)，變量增加變異性，變量之間共線性減弱了，而且提升了自由度和有效性。面板數(shù)據(jù)分析方法第22頁(yè)三、面板數(shù)據(jù)特點(diǎn) 2.提供更多個(gè)體動(dòng)態(tài)行為信息。 因?yàn)槊姘鍞?shù)據(jù)同時(shí)有橫截面與時(shí)間兩個(gè)維度，有時(shí)能夠處理單獨(dú)截面數(shù)據(jù)或時(shí)間序列數(shù)據(jù)所不能處理問(wèn)題，對(duì)面板數(shù)據(jù)進(jìn)行回歸既能夠像回歸分析截面數(shù)據(jù)一樣捕捉個(gè)體間差異改變，又能夠研究個(gè)體隨時(shí)間改變情況。面板數(shù)據(jù)分析方法第23頁(yè)三、面板數(shù)據(jù)特點(diǎn) 2.提供更多個(gè)體動(dòng)態(tài)行為信息。 案例：考慮怎樣區(qū)分規(guī)模效應(yīng)與技術(shù)進(jìn)步對(duì)企業(yè)生產(chǎn)效率影響。對(duì)于截面數(shù)據(jù)來(lái)說(shuō)，因?yàn)闆](méi)有時(shí)

7、間維度，故無(wú)法觀察到技術(shù)進(jìn)步。然而，對(duì)于單個(gè)企業(yè)時(shí)間序列數(shù)據(jù)來(lái)說(shuō)，我們無(wú)法區(qū)分其生產(chǎn)效率提升終究有多少是因?yàn)橐?guī)模擴(kuò)大，有多少是因?yàn)榧夹g(shù)進(jìn)步。 面板數(shù)據(jù)分析方法第24頁(yè)三、面板數(shù)據(jù)特點(diǎn) 3.能夠處理遺漏變量問(wèn)題。 遺漏變量偏差是一個(gè)普遍存在問(wèn)題。即使能夠用工具變量法處理，但有效工具變量經(jīng)常極難找。遺漏變量經(jīng)常是因?yàn)椴豢捎^察個(gè)體差異或“異質(zhì)性”造成，假如這種個(gè)體差異“不隨時(shí)間而改變”，則面板數(shù)據(jù)提供了處理遺漏變量問(wèn)題又一利器。面板數(shù)據(jù)分析方法第25頁(yè)三、面板數(shù)據(jù)特點(diǎn) 4.帶來(lái)一些問(wèn)題。 （1）因?yàn)榫C合了兩種數(shù)據(jù)類(lèi)型，面板數(shù)據(jù)分析方法相對(duì)愈加復(fù)雜。 （2）因?yàn)橥粋€(gè)體不一樣時(shí)期數(shù)據(jù)普通存在自相關(guān)，樣

8、本數(shù)據(jù)通常不滿足獨(dú)立同分布假定。 （3）面板數(shù)據(jù)搜集成本通常較高，不易取得。面板數(shù)據(jù)分析方法第26頁(yè)面板數(shù)據(jù)分析方法第27頁(yè)圖6 圖7面板數(shù)據(jù)分析方法第28頁(yè)File：5panel02a用原變量建模還是用對(duì)數(shù)變量建模?人均消費(fèi)對(duì)收入面板數(shù)據(jù)散點(diǎn)圖 對(duì)數(shù)人均消費(fèi)對(duì)收入面板數(shù)據(jù)散點(diǎn)圖本例用對(duì)數(shù)數(shù)據(jù)研究更合理面板數(shù)據(jù)分析方法第29頁(yè) 圖8 圖9盡管兩個(gè)地域水平值差異很大，但消費(fèi)結(jié)構(gòu)并沒(méi)有太大改變。面板數(shù)據(jù)分析方法第30頁(yè)第一節(jié) 面板數(shù)據(jù)基本問(wèn)題第二節(jié) 面板數(shù)據(jù)模型形式第三節(jié) 面板數(shù)據(jù)模型預(yù)計(jì)方法面板數(shù)據(jù)分析方法第31頁(yè)其中： 和 分別表示居民消費(fèi)與收入。 反應(yīng)不隨時(shí)間改變個(gè)體上差異性（個(gè)體效應(yīng)） 反

9、應(yīng)不隨個(gè)體改變時(shí)間上差異性（時(shí)間效應(yīng)）例1：居民消費(fèi)行為與收入關(guān)系面板數(shù)據(jù)分析方法第32頁(yè) 例2. 農(nóng)村居民收入分析 (14.1.3) 面板數(shù)據(jù)：多個(gè)觀察對(duì)象時(shí)間序列數(shù)據(jù)所組成樣本數(shù)據(jù)。 反應(yīng)不隨個(gè)體改變時(shí)間上差異性， 被稱(chēng)為時(shí)間效應(yīng)。 反應(yīng)不隨時(shí)間改變個(gè)體上差異性， 被稱(chēng)為個(gè)體效應(yīng)面板數(shù)據(jù)分析方法第33頁(yè)第二節(jié) 面板數(shù)據(jù)模型形式 一、個(gè)體效應(yīng)模型二、固定效應(yīng)模型三、隨機(jī)效應(yīng)模型四、雙向效應(yīng)模型面板數(shù)據(jù)分析方法第34頁(yè)其中： 為 矩陣， 為k個(gè)解釋變量第i個(gè)個(gè)體在 第t時(shí)期觀察值，為 矩陣。zi為不隨時(shí)間 而變個(gè)體特征，即 。擾動(dòng)項(xiàng)由 兩部分組成，被稱(chēng)為“復(fù)合擾動(dòng)項(xiàng)”。 個(gè)體效應(yīng)模型(indi

10、vidual-specific effects model)假定樣本中每個(gè)個(gè)體回歸方程斜率相同，但截距項(xiàng)不一樣。一、個(gè)體效應(yīng)模型面板數(shù)據(jù)分析方法第35頁(yè)復(fù)合擾動(dòng)項(xiàng)：不可觀察隨機(jī)變量 是代表個(gè)體異質(zhì)性截距項(xiàng)。 為隨個(gè)體與時(shí)間而變擾動(dòng)項(xiàng)。假定 為獨(dú)立同分布，且與 不相關(guān)。 個(gè)體效應(yīng)模型面板數(shù)據(jù)分析方法第36頁(yè)1.它表示不可觀察個(gè)體特殊效應(yīng)、潛在變量、不可觀察 異質(zhì)性等?？紤]到個(gè)人或者任一家庭、企業(yè)都含有很 難被調(diào)查者觀察到獨(dú)有特征，這種特殊效應(yīng)在整個(gè) 時(shí)間范圍內(nèi) 是保持不變。2.一些場(chǎng)所下將其視為常數(shù)，但這也是隨機(jī)變量特例， 即退化隨機(jī)變量。 對(duì)于個(gè)體效應(yīng) ：面板數(shù)據(jù)分析方法第37頁(yè)取對(duì)數(shù)后，模型

11、變?yōu)椋涸谶@里， 代表著企業(yè)不隨時(shí)間改變而且不可觀察到特殊效應(yīng)，它表示一個(gè)企業(yè)管理才能、員工素質(zhì)等。例：一個(gè)企業(yè)柯布-道格拉斯生產(chǎn)函數(shù)面板數(shù)據(jù)分析方法第38頁(yè)1.假如 與全部解釋變量 均不相關(guān)，則深入稱(chēng)之 為“隨機(jī)效應(yīng)模型”(Random Effects Model,RE)。2.假如 與某個(gè)解釋變量相關(guān)，則深入稱(chēng)之為“固定效 應(yīng)模型(Fixed Effects Model,FE)。個(gè)體效應(yīng) 與解釋變量 相關(guān)性：面板數(shù)據(jù)分析方法第39頁(yè)第二節(jié) 面板數(shù)據(jù)模型形式 一、個(gè)體效應(yīng)模型二、固定效應(yīng)模型三、隨機(jī)效應(yīng)模型四、雙向效應(yīng)模型面板數(shù)據(jù)分析方法第40頁(yè) 固定效應(yīng)模型形式一樣與個(gè)體效應(yīng)模型相同，不過(guò)在固

12、定效應(yīng)模型中假定 為需要預(yù)計(jì)固定參數(shù)，它能夠與解釋變量之間存在相關(guān)性。 固定效應(yīng)模型意味著存在內(nèi)生解釋變量。在 隨時(shí)間改變情況下，固定效應(yīng)模型所得到第j個(gè)解釋變量邊際效應(yīng)預(yù)計(jì)量一樣是一致。然而，同隨機(jī)效應(yīng)模型相比，固定效應(yīng) 模型中存在參數(shù)過(guò)多和自由度損失過(guò)多等問(wèn)題。二、固定效應(yīng)模型面板數(shù)據(jù)分析方法第41頁(yè)第二節(jié) 面板數(shù)據(jù)模型形式 一、個(gè)體效應(yīng)模型二、固定效應(yīng)模型三、隨機(jī)效應(yīng)模型四、雙向效應(yīng)模型面板數(shù)據(jù)分析方法第42頁(yè) 對(duì)于隨機(jī)效應(yīng)模型，普通采取可行廣義最小二乘法(FGLS)對(duì)其進(jìn)行預(yù)計(jì)，因?yàn)?被假定為隨機(jī)，無(wú)須估計(jì)， 所以使用隨機(jī)效應(yīng)模型能夠一次得到全部系數(shù)估計(jì)值從而進(jìn)行邊際分析。不過(guò)，假如隨

13、機(jī)效應(yīng)模型選取不恰當(dāng)所得到參數(shù)預(yù)計(jì)值將是不一致。 隨機(jī)效應(yīng)模型形式與個(gè)體效應(yīng)模型相同，在隨機(jī)效應(yīng)模型中假定 是完全隨機(jī)，即 與解釋變量無(wú)關(guān)。三、隨機(jī)效應(yīng)模型面板數(shù)據(jù)分析方法第43頁(yè)第二節(jié) 面板數(shù)據(jù)模型形式 一、個(gè)體效應(yīng)模型二、固定效應(yīng)模型三、隨機(jī)效應(yīng)模型四、雙向效應(yīng)模型面板數(shù)據(jù)分析方法第44頁(yè) 雙向效應(yīng)模型(two-way-effects model)也可稱(chēng)為雙因素誤差模型，它將未觀察到個(gè)體效應(yīng)和時(shí)間效應(yīng)引入模型，是個(gè)體效應(yīng)模型標(biāo)準(zhǔn)延伸。這里t僅隨時(shí)間改變而不隨個(gè)體改變，表示全部未包含在回歸模型中發(fā)生在特定時(shí)期影響，如地震對(duì)某一時(shí)期企業(yè)生產(chǎn)影響。四、雙向效應(yīng)模型面板數(shù)據(jù)分析方法第45頁(yè)雙向固定

14、效應(yīng)模型(Two-way FE)對(duì)于短面板數(shù)據(jù)，通常將時(shí)間效應(yīng)看做固定效應(yīng)，假如個(gè)體效應(yīng)模型中含有時(shí)間趨勢(shì)項(xiàng)或包含時(shí)間虛擬變量，則稱(chēng)之為雙向固定效應(yīng)模型。（1）在固定效應(yīng)模型中引入時(shí)間趨勢(shì)項(xiàng)t，它僅依時(shí)間而改變，而不依個(gè)體而變。（2）對(duì)每個(gè)時(shí)期定義一個(gè)虛擬變量，然后把(T-1)個(gè)時(shí)間虛擬變量包含在回歸方程中（未包含時(shí)間虛擬變量即為基期）。面板數(shù)據(jù)分析方法第46頁(yè)第一節(jié) 面板數(shù)據(jù)基本問(wèn)題第二節(jié) 面板數(shù)據(jù)模型形式第三節(jié) 面板數(shù)據(jù)模型預(yù)計(jì)方法面板數(shù)據(jù)分析方法第47頁(yè)第三節(jié) 面板數(shù)據(jù)模型預(yù)計(jì)方法 一、混合最小二乘預(yù)計(jì)二、固定效應(yīng)模型預(yù)計(jì)方法三、隨機(jī)效應(yīng)模型預(yù)計(jì)方法面板數(shù)據(jù)分析方法第48頁(yè)一、混合最小二

15、乘預(yù)計(jì)(Pooled OLS)假定全部個(gè)體都擁有完全一樣回歸方程：其中，xit不包含常數(shù)項(xiàng)，這么，就能夠直接把全部數(shù)據(jù)放在一起，像對(duì)待橫截面數(shù)據(jù)那樣進(jìn)行OLS回歸，故被稱(chēng)為“混合回歸”(pooled OLS)。面板數(shù)據(jù)分析方法第49頁(yè)人均消費(fèi)對(duì)人均可支配收入彈性系數(shù)是0.9694。人均消費(fèi)對(duì)人均可支配收入邊際系數(shù)是0.9694 CPit /IPit對(duì)案例1人均消費(fèi)CP與收入IP面板數(shù)據(jù)進(jìn)行混合預(yù)計(jì)：面板數(shù)據(jù)分析方法第50頁(yè)注意：1.因?yàn)槊姘鍞?shù)據(jù)特點(diǎn)，即使通常能夠假設(shè)不一樣個(gè)體之間擾動(dòng)項(xiàng)相互獨(dú)立，但同一個(gè)體在不一樣時(shí)期擾動(dòng)項(xiàng)之間往往存在自相關(guān)。此時(shí)，對(duì)標(biāo)準(zhǔn)差預(yù)計(jì)應(yīng)該使用聚類(lèi)穩(wěn)健標(biāo)準(zhǔn)差(clust

16、er-robust standard error)，而所謂聚類(lèi)就是由每個(gè)個(gè)體不一樣時(shí)期全部觀察值所組成。同一聚類(lèi)（個(gè)體）觀察值允許存在相關(guān)性，而不一樣聚類(lèi)（個(gè)體）觀察值則不相關(guān)。面板數(shù)據(jù)分析方法第51頁(yè)注意：2.混合回歸基本假設(shè)是不存在個(gè)體效應(yīng)。對(duì)于這個(gè)假設(shè)必須進(jìn)行統(tǒng)計(jì)檢驗(yàn)。因?yàn)閭€(gè)體效應(yīng)以?xún)煞N不一樣形態(tài)存在（即隨機(jī)效應(yīng)與固定效應(yīng)），所以需要分別對(duì)其進(jìn)行檢驗(yàn)。面板數(shù)據(jù)分析方法第52頁(yè)第三節(jié) 面板數(shù)據(jù)模型預(yù)計(jì)方法 一、混合最小二乘預(yù)計(jì)二、固定效應(yīng)模型預(yù)計(jì)方法三、隨機(jī)效應(yīng)模型預(yù)計(jì)方法面板數(shù)據(jù)分析方法第53頁(yè)二、固定效應(yīng)模型預(yù)計(jì)方法對(duì)于固定效應(yīng)模型：因?yàn)?被假定為需要預(yù)計(jì)固定參數(shù)并允許與解釋變量相關(guān)，

17、所以，預(yù)計(jì)固定效應(yīng)模型中系數(shù) 時(shí)便能夠考慮經(jīng)過(guò)變換模型形式從而消除這一不可觀察到個(gè)體效應(yīng)。面板數(shù)據(jù)分析方法第54頁(yè)二、固定效應(yīng)模型預(yù)計(jì)方法（一）組內(nèi)預(yù)計(jì) 對(duì)于固定效應(yīng)模型，給定第i個(gè)個(gè)體，將方程 兩邊對(duì)時(shí)間取平均可得 用原模型減去平均后方程，可得其離差形式：面板數(shù)據(jù)分析方法第55頁(yè)二、固定效應(yīng)模型預(yù)計(jì)方法定義則因?yàn)樯鲜街幸褜?消去，故只要 與 不相關(guān)，則可以用OLS一致地預(yù)計(jì) ，稱(chēng)為“固定效應(yīng)預(yù)計(jì)量”(Fixed Effects Estimator)，記為 。因?yàn)槠渲饕褂昧嗣總€(gè)個(gè)體組內(nèi)離差信息，故也稱(chēng)為“組內(nèi)預(yù)計(jì)量”(within estimator)。 面板數(shù)據(jù)分析方法第56頁(yè)注意： 即使

18、個(gè)體特征 與解釋變量 相關(guān)，只要使用組內(nèi)預(yù)計(jì)量，就能夠得到一致預(yù)計(jì)，但在作離差轉(zhuǎn)換過(guò)程中， 也被消掉了，故無(wú)法預(yù)計(jì) 。即 無(wú)法預(yù)計(jì)不隨時(shí)間而變變量影響。面板數(shù)據(jù)分析方法第57頁(yè)注意： 另外，為了確保 與 不相關(guān)，則要求第i個(gè)觀察值滿足嚴(yán)格外生性，即 ，因?yàn)?中包含了全部 信息。換言之，擾動(dòng)項(xiàng)必須與各期解釋變量均不相關(guān)（而不但僅是當(dāng)期解釋變量），這是一個(gè)比較強(qiáng)假定。面板數(shù)據(jù)分析方法第58頁(yè)二、固定效應(yīng)模型預(yù)計(jì)方法（二）最小二乘虛擬變量模型(LSDV) 對(duì)于固定效應(yīng)模型： 在方程中引入(n-1)個(gè)虛擬變量（假如沒(méi)有截距項(xiàng)，則引入n個(gè)虛擬變量）來(lái)代表不一樣個(gè)體，則能夠得到與上述離差模型一樣結(jié)果，稱(chēng)為

19、“最小二乘虛擬變量模型”(Least Square Dummy Variable Model)。面板數(shù)據(jù)分析方法第59頁(yè)虛擬變量回歸特點(diǎn) 使用LSDV方法所給出預(yù)計(jì)值，與我們用組內(nèi)預(yù)計(jì)方法得到預(yù)計(jì)值恰好一樣，而且標(biāo)準(zhǔn)誤和其它主要統(tǒng)計(jì)量也是一樣。所以，固定效應(yīng)預(yù)計(jì)量能夠從虛擬變量回歸得到。 從LSDV方法算出可決系數(shù)值通常都比較高，這是因?yàn)槲覀儗?duì)每一橫截面單位都包含了一個(gè)虛擬變量，以致能解釋數(shù)據(jù)中變異大部分。面板數(shù)據(jù)分析方法第60頁(yè)面板數(shù)據(jù)分析方法第61頁(yè)從結(jié)果看，北京、上海、浙江是自發(fā)消費(fèi)（消費(fèi)函數(shù)截距）最大3個(gè)地域。 面板數(shù)據(jù)分析方法第62頁(yè)注意： 使用LSDV方法即使能夠得到對(duì)個(gè)體異質(zhì)性

20、預(yù)計(jì)，不過(guò)會(huì)損失很大自由度，并在預(yù)計(jì)(n-1)個(gè)額外參數(shù)時(shí)，大量虛擬變量會(huì)加劇回歸方程多重共線性問(wèn)題，也不能預(yù)計(jì)非時(shí)變(time-constant)變量效應(yīng)。 另外，LSDV方法也不能處理內(nèi)生性問(wèn)題。面板數(shù)據(jù)分析方法第63頁(yè)LSDV預(yù)計(jì)效果 Islam()利用蒙特卡羅模擬研究了一些關(guān)于經(jīng)濟(jì)增加收斂方面面板數(shù)據(jù)預(yù)計(jì)。研究發(fā)覺(jué)，假如以小樣本偏差和預(yù)測(cè)誤差標(biāo)準(zhǔn)方差來(lái)判斷話，LSDV預(yù)計(jì)在小樣本上預(yù)計(jì)結(jié)果最好，其預(yù)計(jì)效果甚至比GMM預(yù)計(jì)和工具變量(IV)預(yù)計(jì)都更加好。面板數(shù)據(jù)分析方法第64頁(yè) Islam ()對(duì)此提供一個(gè)理論解釋是，GMM和IV預(yù)計(jì)在小樣本上預(yù)計(jì)效果不好原因是因?yàn)?，這兩種方法優(yōu)點(diǎn)都依賴(lài)

21、于回歸預(yù)計(jì)中所能選擇到最優(yōu)權(quán)重矩陣，而這一權(quán)重在回歸中可能會(huì)收到數(shù)據(jù)噪聲。 LSDV預(yù)計(jì)效果面板數(shù)據(jù)分析方法第65頁(yè)二、固定效應(yīng)模型預(yù)計(jì)方法（三）一階差分法 對(duì)于固定效應(yīng)模型，給定第i個(gè)個(gè)體，將方程 兩邊進(jìn)行一階差分，以消去個(gè)體效應(yīng)，得 對(duì)上述差分形式方程使用OLS就能夠得到“一階差分預(yù)計(jì)量”，記為 。面板數(shù)據(jù)分析方法第66頁(yè)組內(nèi)預(yù)計(jì)量與一階差分預(yù)計(jì)量因?yàn)?不再出現(xiàn)在差分方程中，只要擾動(dòng)項(xiàng)一階差分 與解釋變量一階差分 不相關(guān)，則 是一致。此一致性條件比確保 一致嚴(yán)格外生性假定更弱，這是 主要優(yōu)點(diǎn)。面板數(shù)據(jù)分析方法第67頁(yè)組內(nèi)預(yù)計(jì)量與一階差分預(yù)計(jì)量 組內(nèi)預(yù)計(jì)和一階差分都假設(shè)不可觀察個(gè)體效應(yīng)與解釋

22、變量相關(guān)，兩種預(yù)計(jì)方法在T=2時(shí)產(chǎn)生相同預(yù)計(jì)量和推斷。當(dāng)總體時(shí)期T2時(shí)，在 序列不相關(guān)，獨(dú)立同分布情況下，組內(nèi)預(yù)計(jì)量 比一階差分預(yù)計(jì)量 更有效率。所以，在實(shí)踐上，主要使用 ，而較少用面板數(shù)據(jù)分析方法第68頁(yè)第三節(jié) 面板數(shù)據(jù)模型預(yù)計(jì)方法 一、混合最小二乘預(yù)計(jì)二、固定效應(yīng)模型預(yù)計(jì)方法三、隨機(jī)效應(yīng)模型預(yù)計(jì)方法面板數(shù)據(jù)分析方法第69頁(yè)三、隨機(jī)效應(yīng)模型預(yù)計(jì)方法對(duì)于回歸方程：隨機(jī)效應(yīng)模型假定 與解釋變量 均不相關(guān)，故OLS是一致。然而，因?yàn)閿_動(dòng)項(xiàng)由 組成，不是球型擾動(dòng)項(xiàng)（同方差、無(wú)自相關(guān)），所以，OLS不是最有效率。面板數(shù)據(jù)分析方法第70頁(yè)因?yàn)?存在，同一個(gè)體不一樣時(shí)期擾動(dòng)項(xiàng)之間存在自相關(guān)，面板數(shù)據(jù)分析方

23、法第71頁(yè)面板數(shù)據(jù)分析方法第72頁(yè)詳細(xì)來(lái)說(shuō)，用OLS來(lái)預(yù)計(jì)以下“廣義離差” (quasi-demeaned)模型，面板數(shù)據(jù)分析方法第73頁(yè)組間預(yù)計(jì)(Between Estimator)面板數(shù)據(jù)分析方法第74頁(yè)面板數(shù)據(jù)分析方法第75頁(yè)終究該用固定效應(yīng)還是隨機(jī)效應(yīng)模型？ 當(dāng)我們?cè)谌粘Ｑ芯恐羞x取模型形式時(shí)，不能確定未觀察到個(gè)體效應(yīng)是否與解釋變量相關(guān)，因而不能恰當(dāng)?shù)卦诠潭ㄐ?yīng)模型和隨機(jī)效應(yīng)模型之間進(jìn)行選取。錯(cuò)誤選取模型類(lèi)型，將影響我們參數(shù)預(yù)計(jì)量等從而影響對(duì)詳細(xì)問(wèn)題分析。在處理面板數(shù)據(jù)時(shí)，終究該使用固定效應(yīng)模型還是隨機(jī)效應(yīng)模型是一個(gè)根本問(wèn)題。面板數(shù)據(jù)分析方法第76頁(yè)Hausman檢驗(yàn)原假設(shè)H0： 與 不

24、相關(guān)（模型應(yīng)設(shè)定為隨機(jī)效應(yīng)） 備擇假設(shè)H1： 與 相關(guān)（模型設(shè)定為固定效應(yīng)） Hausman檢驗(yàn)統(tǒng)計(jì)量： 面板數(shù)據(jù)分析方法第77頁(yè)固定效應(yīng)模型與隨機(jī)效應(yīng)模型哪個(gè)更加好一些？ 隨機(jī)效應(yīng)模型好處是節(jié)約自由度。對(duì)于從時(shí)間和截面兩方面看都存在較大改變數(shù)據(jù)，隨機(jī)效應(yīng)模型能明確地描述出誤差起源特征。 固定效應(yīng)模型好處是，很輕易分析任意截面數(shù)據(jù)所對(duì)應(yīng)應(yīng)變量與全部截面數(shù)據(jù)對(duì)應(yīng)因變量均值差異程度。面板數(shù)據(jù)分析方法第78頁(yè)Wooldridge() 在實(shí)際應(yīng)用時(shí)，是選擇固定效應(yīng)模型還是選擇隨機(jī)效應(yīng)模型？普通經(jīng)驗(yàn)做法是，假如研究者預(yù)期建立面板數(shù)據(jù)模型推斷樣本空間經(jīng)濟(jì)關(guān)系，則模型設(shè)定為固定效應(yīng)模型會(huì)更合理一些。不然，假如研究樣本