面板數(shù)據(jù)模型經(jīng)典課件

圖11.1.1面板數(shù)據(jù)示意圖

圖11.1.1面板數(shù)據(jù)示意圖1

例如1990-2000年30個省份的農(nóng)業(yè)總產(chǎn)值數(shù)據(jù)。固定在某一年份上，它是由30個農(nóng)業(yè)總產(chǎn)值數(shù)字組成的截面數(shù)據(jù)；固定在某一省份上，它是由11年農(nóng)業(yè)總產(chǎn)值數(shù)據(jù)組成的一個時間序列。面板數(shù)據(jù)由30個個體組成。共有330個觀測值。對于面板數(shù)據(jù)yit,i=1,2,…,N;t=1,2,…,T來說，如果從橫截面上看，每個變量都有觀測值，從縱剖面上看，每一期都有觀測值，則稱此面板數(shù)據(jù)為平衡面板數(shù)據(jù)（balancedpaneldata）。若在面板數(shù)據(jù)中丟失若干個觀測值，則稱此面板數(shù)據(jù)為非平衡面板數(shù)據(jù)（unbalancedpaneldata）。

例11.1.11996-2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費和人均收入（不變價格）數(shù)據(jù)見表11.1.1和表11.1.2。數(shù)據(jù)是7年的，每一年都有15個數(shù)據(jù)，共105組觀測值。表11.1.11996-2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費數(shù)據(jù)（不變價格）例如1990-2000年30個省份的農(nóng)業(yè)總產(chǎn)值數(shù)據(jù)。2面板數(shù)據(jù)模型經(jīng)典課件3表11.1.21996-2002年中國15個省級地區(qū)的居民家庭人均收入數(shù)據(jù)（不變價格）表11.1.21996-2002年中國15個省級地區(qū)的居4

人均消費和收入的面板數(shù)據(jù)從縱剖面觀察分別見圖11.1.2和圖11.1.3。從橫截面觀察分別見圖11.1.4和圖11.1.5。用CP表示消費，IP表示收入。AH,BJ,FJ,HB,HLJ,JL,JS,JX,LN,NMG,SD,SH,SX,TJ,ZJ分別表示安徽省、北京市、福建省、河北省、黑龍江省、吉林省、江蘇省、江西省、遼寧省、內(nèi)蒙古自治區(qū)、山東省、上海市、山西省、天津市、浙江省。人均消費和收入的面板數(shù)據(jù)從縱剖面觀察分別見圖15圖11.1.215個省市人均消費序列（縱剖面）

圖11.1.215個省市人均消費序列（縱剖面）6圖11.1.315個省市人均收入序列

圖11.1.315個省市人均收入序列7圖11.1.415個省市人均消費散點圖

(每條連線表示同一年度15個地區(qū)的消費值)圖11.1.415個省市人均消費散點圖8圖11.1.515個省市人均收入散點圖(7個橫截面疊加)(每條連線表示同一年度15個地區(qū)的收入值)圖11.1.515個省市人均收入散點圖(7個橫截面疊加)9

15個地區(qū)7年人均消費對收入的面板數(shù)據(jù)散點圖見圖11.1.6和圖11.1.7。圖11.1.6中每一種符號代表一個省級地區(qū)的7個觀測點組成的時間序列。相當于觀察15個時間序列。圖11.1.7中每一種符號代表一個年度的截面散點圖（共7個截面）。相當于觀察7個截面散點圖的疊加。圖11.1.6用15個時間序列表示的人均消費對收入的面板數(shù)據(jù)15個地區(qū)7年人均消費對收入的面板數(shù)據(jù)散點圖10圖11.1.7用7個截面表示的人均消費對收入的面板數(shù)據(jù)（7個截面疊加）

圖11.1.7用7個截面表示的人均消費對收入11

圖11.1.8給出北京和內(nèi)蒙古1996-2002年消費對收入散點圖。圖11.1.9給出15個省級地區(qū)1996和2002年的消費對收入散點圖。圖11.1.8北京和內(nèi)蒙古1996-2002年消費對收入時序圖

圖11.1.8給出北京和內(nèi)蒙古1996-2002年消12圖11.1.91996和2002年地區(qū)消費對收入散點圖

圖11.1.91996和2002年地區(qū)消費對收入1311.1.2面板數(shù)據(jù)模型的基本類型設(shè)yit為被解釋變量在橫截面i和時間t上的數(shù)值，

xjit為第j個解釋變量在橫截面i和時間t上的數(shù)值，uit為橫截面i和時間t上的隨機誤差項；bji為第i截面上的第j個解釋變量的模型參數(shù)；ai為常數(shù)項或截距項，代表第i橫截面(第i個體的影響)；解釋變量數(shù)為j=l，2，…，k；截面數(shù)為i=1，2，…，N；時間長度為t=1，2，…，T。其中,N表示個體截面成員的個數(shù)，T表示每個截面成員的觀測時期總數(shù)，k表示解釋變量的個數(shù)。則單方程面板數(shù)據(jù)模型一般形式可寫成：11.1.2面板數(shù)據(jù)模型的基本類型14面板數(shù)據(jù)模型經(jīng)典課件15

對于平衡的面板數(shù)據(jù)，即在每一個截面單元上具有相同個數(shù)的觀測值，模型樣本觀測數(shù)據(jù)的總數(shù)等于NT。當N=1且T很大時，就是所熟悉的時間序列數(shù)據(jù)；當T=1而N很大時，就只有截面數(shù)據(jù)。面板數(shù)據(jù)模型劃分為3種類型：

(1)無個體影響的不變系數(shù)模型：ai=aj=a，bi=bj=b對于平衡的面板數(shù)據(jù)，即在每一個截面單元上具有相16

這種情形意味著模型在橫截面上無個體影響、無結(jié)構(gòu)變化，可將模型簡單地視為是橫截面數(shù)據(jù)堆積的模型。這種模型與一般的回歸模型無本質(zhì)區(qū)別，只要隨機擾動項服從經(jīng)典基本假設(shè)條件，就可以采用OLS法進行估計（共有k+1個參數(shù)需要估計），該模型也被稱為聯(lián)合回歸模型(pooledregressionmodel)。

(2)變截距模型：ai≠aj，bi=bj=b

這種情形意味著模型在橫截面上存在個體影響，不存在結(jié)構(gòu)性的變化，即解釋變量的結(jié)構(gòu)參數(shù)在不同橫截面上是相同的，不同的只是截距項，個體影響可以用截距項ai(i＝1，2，…，N)的差別來說明，故通常把它稱為變截距模型。這種情形意味著模型在橫截面上無個體影響、無結(jié)17(3)變系數(shù)模型：ai≠aj，bi≠bj

這種情形意味著模型在橫截面上存在個體影響，又存在結(jié)構(gòu)變化，即在允許個體影響由變化的截距項ai(i＝1，2，…，N)來說明的同時還允許系數(shù)向量bi(i＝1，2，…，N)依個體成員的不同而變化，用以說明個體成員之間的結(jié)構(gòu)變化。我們稱該模型為變系數(shù)模型。(3)變系數(shù)模型：ai≠aj，bi≠bj1811.1.3面板數(shù)據(jù)模型的優(yōu)點

1．利用面板數(shù)據(jù)模型可以解決樣本容量不足的問題

2．有助于正確地分析經(jīng)濟變量之間的關(guān)系

3．可以估計某些難以度量的因素對被解釋變量的影響11.2模型形式設(shè)定檢驗11.1.3面板數(shù)據(jù)模型的優(yōu)點19

建立面板數(shù)據(jù)模型首先要檢驗被解釋變量yit的參數(shù)ai和bi是否對所有個體樣本點和時間都是常數(shù)，即檢驗樣本數(shù)據(jù)究竟屬于上述3種情況的哪一種面板數(shù)據(jù)模型形式，從而避免模型設(shè)定的偏差，改進參數(shù)估計的有效性。主要檢驗如下兩個假設(shè)：

如果接受假設(shè)H2，則可以認為樣本數(shù)據(jù)符合不變截距、不變系數(shù)模型。如果拒絕假設(shè)H2，則需檢驗假設(shè)H1。如果接受H1，則認為樣本數(shù)據(jù)符合變截距、不變系數(shù)模型；反之，則認為樣本數(shù)據(jù)符合變系數(shù)模型。建立面板數(shù)據(jù)模型首先要檢驗被解釋變量yit的20

下面介紹假設(shè)檢驗的F統(tǒng)計量的計算方法。首先計算變截距、變系數(shù)模型(11.1.6)的殘差平方和S1。如果記下面介紹假設(shè)檢驗的F統(tǒng)計量的計算方法。21面板數(shù)據(jù)模型經(jīng)典課件22面板數(shù)據(jù)模型經(jīng)典課件23面板數(shù)據(jù)模型經(jīng)典課件24面板數(shù)據(jù)模型經(jīng)典課件25面板數(shù)據(jù)模型經(jīng)典課件2611.3變截距模型

該模型允許個體成員上存在個體影響，并用截距項的差別來說明。模型的回歸方程形式如下：11.3變截距模型2711.3.1固定影響變截距模型

1．最小二乘虛擬變量模型(LSDV)及其參數(shù)估計11.3.1固定影響變截距模型28其中其中29面板數(shù)據(jù)模型經(jīng)典課件30面板數(shù)據(jù)模型經(jīng)典課件31

例11.3.1

利用1996-2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費和人均收入數(shù)據(jù)(見表11.1和表11.2)，試研究這些地區(qū)的居民家庭消費行為。（1）建立合成數(shù)據(jù)庫（pool）對象或混合數(shù)據(jù)庫對象；（2）定義序列名并輸入數(shù)據(jù)；（3）估計無個體影響的不變系數(shù)模型；（4）估計變截距模型。（1）建立合成數(shù)據(jù)庫（pool）對象在打開工作文件窗口的基礎(chǔ)上，點擊主功能菜單中的Objects鍵，選NewObject功能，從而打開NewObject（新對象）選擇窗（見圖11.3.1）。例11.3.1利用1996-2002年中國東北、華北32圖11.3.1Pool對象定義對話框圖11.3.1Pool對象定義對話框33

在TypeofObject選擇區(qū)選擇Pool（混合數(shù)據(jù)庫），在NameofObject選擇區(qū)命名CS（初始顯示為Untitled），點擊OK，從而打開Pool對象說明窗口。在窗口中輸入15個地區(qū)標識AH（安徽）、BJ（北京）、…、ZJ（浙江）。如圖11.3.2所示。

在TypeofObject選擇區(qū)選擇Pool（混合數(shù)34圖11.3.2Pool對象說明窗口圖11.3.2Pool對象說明窗口35（2）定義序列名并輸入數(shù)據(jù)在新建立的Pool（混合數(shù)據(jù)）窗口的工具欄中點擊Sheet鍵，從而打開SeriesList（列出序列名）窗口，定義時間序列變量CP?和IP?，如圖11.3.3。點擊OK鍵，從而打開Pool（混合數(shù)據(jù)庫）窗口，輸入數(shù)據(jù)，輸入完成后的情形見圖11.3.4。圖11.3.3序列列表對話框（2）定義序列名并輸入數(shù)據(jù)圖11.3.3序列列表對話框36圖11.3.4序列的堆棧形式數(shù)據(jù)表圖11.3.4序列的堆棧形式數(shù)據(jù)表37

（3）估計無個體影響的不變系數(shù)模型模型形式為

其中：a為15個省市的平均自發(fā)消費傾向，b為邊際消費傾向。在Pool窗口的工具欄中點擊Estimate鍵，打開PooledEstimation（混合估計）窗口如圖11.3.5。（3）估計無個體影響的不變系數(shù)模型其中：a為15個省市的38圖11.3.5合成數(shù)據(jù)模型定義對話框圖11.3.5合成數(shù)據(jù)模型定義對話框39

在對話框左上部的DependentVariable選擇窗填入被解釋變量CP?；在中部的Commoncoefficients（系數(shù)相同）選擇窗填入解釋變量IP?；Crosssectionspecificcoefficients（截面系數(shù)不同）選擇窗保持空白；Intercept選項代表截距的處理方式。None代表模型不包含截距，Common指所有截面單元具有相同截距，F(xiàn)ixedeffects與Randomeffects分別表示截距變動的固定效應(yīng)和隨機效應(yīng)。本例選擇窗點擊Common。對話框Weighting（權(quán)數(shù)）選項是模型的估計方法。本例選擇不加權(quán)，點擊Noweighting。完成合成數(shù)據(jù)模型定義對話框后，點擊OK鍵，得輸出結(jié)果如表11.3.1。表11.3.1無個體影響的不變系數(shù)模型估計結(jié)果在對話框左上部的DependentVariable選擇40面板數(shù)據(jù)模型經(jīng)典課件41

表11.3.1結(jié)果表明，回歸系數(shù)顯著不為0，調(diào)整后的樣本決定系數(shù)達0.98，說明模型的擬合優(yōu)度較高。從結(jié)果看，平均消費傾向為0.76，表明15個省級地區(qū)的人均消費支出平均占收入的76%。（4）變截距模型模型形式為

其中：ai為15個省市的自發(fā)消費傾向，用來反映省市間的消費結(jié)構(gòu)差異，b為邊際消費傾向。

EViews估計方法：在EViews的PooledEstimation對話框中Intercept選項中選Fixedeffects。其余選項同上。得輸出結(jié)果如表11.3.2。表11.3.2變截距模型估計結(jié)果表11.3.1結(jié)果表明，回歸系數(shù)顯著不為0，調(diào)整后的樣本決42面板數(shù)據(jù)模型經(jīng)典課件43

表11.3.2中給出了變截距模型估計結(jié)果，表中的系數(shù)0.697561為邊際消費傾向，后面三項是估計標準誤、檢驗統(tǒng)計量值和相伴概率。表中下半部是各地區(qū)截距估計值。輸出結(jié)果的方程形式是安

徽：CP_AH=479.3076014+0.6975614547*IP_AH北

京：CP_BJ=1053.179629+0.6975614547*IP_BJ福

建：CP_FJ=467.9678362+0.6975614547*IP_FJ河

北：CP_HB=361.3764747+0.6975614547*IP_HB黑龍江：CP_HLJ=345.9120278+0.6975614547*IP_HLJ吉

林：CP_JL=540.1174754+0.6975614547*IP_JL江

蘇：CP_JS=480.417445+0.6975614547*IP_JS江

西：CP_JX=195.9175812+0.6975614547*IP_JX遼

寧：CP_LN=622.0405359+0.6975614547*IP_LN內(nèi)蒙古：CP_NMG=306.0650134+0.6975614547*IP_NMG表11.3.2中給出了變截距模型估計結(jié)果，表中的系數(shù)0.44山東：CP_SD=381.4986769+0.6975614547*IP_SD上海：CP_SH=782.5988793+0.6975614547*IP_SH陜西：CP_SX=440.7243659+0.6975614547*IP_SX天津：CP_TJ=562.8424811+0.6975614547*IP_TJ浙江：CP_ZJ=714.233227+0.6975614547*IP_ZJ

表11.3.2結(jié)果表明，回歸系數(shù)顯著不為0，調(diào)整后的樣本決定系數(shù)達0.99，說明模型的擬合優(yōu)度較高。從估計結(jié)果可以看出，對于本例中的15個省市來說，雖然居民邊際消費傾向相同，但是其居民的自發(fā)消費存在顯著的差異，其中北京、上海、浙江是居民自發(fā)消費最高的3個地區(qū)，而居民自發(fā)消費最低的是江西，其次是內(nèi)蒙古。山東：CP_SD=381.4986769+0.645

對于隨機效應(yīng)模型或者變系數(shù)模型，用EViews建模過程大同小異，只是結(jié)果輸出窗口中的參數(shù)估計格式有所區(qū)別。

EViews5.1版本的面板數(shù)據(jù)模型估計(PoolEstimation)窗口分成了兩個模塊：Specification(設(shè)定)和Option(選擇)，但基本功能與早期版本無本質(zhì)區(qū)別，主要選擇都集中在Specification(設(shè)定)模塊中，見圖11.3.6。熟悉了圖11.3.5中選擇方法對圖11.3.6對話框不難理解。對于隨機效應(yīng)模型或者變系數(shù)模型，用EViews建模46圖11.3.6EViews5.1合成數(shù)據(jù)模型定義對話框圖11.3.6EViews5.1合成數(shù)據(jù)模型定義對話框47

在EstimationMethod(估計方法)選項區(qū)內(nèi)有三個選項框：

(1)Cross．section(橫跨個體)中包括None(不選)、Fixed(固定)、Random(隨機)，分別用來做非個體效應(yīng)、個體固定效應(yīng)和個體隨機效應(yīng)的設(shè)定(見圖11.3.6)。

(2)Period(時點)中也包括None(不選)、Fixed(固定)、Random(隨機)三項選擇，分別用來進行非時點效應(yīng)、時點固定效應(yīng)或時點隨機效應(yīng)設(shè)定。

(3)Weight(權(quán)數(shù))可以在5種加權(quán)方法中做選擇。在EstimationSettings(估計方法設(shè)定)區(qū)包括兩種估計方法：一種為LS(最小二乘)方法；一種為TSLS(兩階段最小二乘)方法。

EViews5.1估計結(jié)果如表11.3.3所示。表11.3.3各地區(qū)自發(fā)消費對平均自發(fā)消費偏離的估計結(jié)果在EstimationMethod(估計方法)選項區(qū)內(nèi)48面板數(shù)據(jù)模型經(jīng)典課件49

從表11.3.3可知，515.6133為15個省市的平均自發(fā)消費水平，表中的系數(shù)0.697561為邊際消費傾向，后面第3行至第17行數(shù)據(jù)為各地區(qū)自發(fā)消費對平均自發(fā)消費的偏離，用來反映省市間的消費結(jié)構(gòu)差異。平均自發(fā)消費水平與各地區(qū)自發(fā)消費對平均自發(fā)消費的偏離之和為各地區(qū)自發(fā)消費。表11.3.3回歸結(jié)果與表11.3.2回歸結(jié)果本質(zhì)上是相同的。

2．非平衡數(shù)據(jù)的固定影響模型

在所獲得的面板數(shù)據(jù)中，一些個體成員的數(shù)據(jù)較多而另一些個體成員的數(shù)據(jù)較少。這種情況下的面板數(shù)據(jù)被稱為非平衡數(shù)據(jù)。從表11.3.3可知，515.6133為15個省市的50面板數(shù)據(jù)模型經(jīng)典課件51

3．固定影響變截距模型的廣義最小二乘估計在固定影響變截距模型中，如果隨機誤差項不滿足等方差或相互獨立的假設(shè)，則需要使用廣義最小二乘法(GLS)對模型進行估計。下面只介紹個體成員截面異方差和同期相關(guān)協(xié)方差兩種情形。

(1)個體成員截面異方差情形的GLS估計

個體成員截面異方差是指各個體成員方程的隨機誤差項之間存在異方差，但個體成員之間和時期之間的協(xié)方差為零，對應(yīng)的假設(shè)為：3．固定影響變截距模型的廣義最小二乘估計52面板數(shù)據(jù)模型經(jīng)典課件53

(2)同期相關(guān)協(xié)方差情形的SUR估計

同期相關(guān)協(xié)方差是指不同的個體成員i和j的同時期的隨機誤差項是相關(guān)的，但其在不同時期之間是不相關(guān)的，相應(yīng)的假設(shè)為

需要指出的是同期相關(guān)協(xié)方差是允許同一時期即t不變時，不同個體成員之間存在協(xié)方差。如果把假設(shè)式(11.3.14)中的第一個表達式寫成向量和矩陣的形式：(2)同期相關(guān)協(xié)方差情形的SUR估計需要指出54

此時這種個體成員之間存在協(xié)方差的方差結(jié)構(gòu)有些類似于個體成員方程框架下的近似不相關(guān)回歸(seeminglyunrelatedregression，SUR)，因此將這種結(jié)構(gòu)稱為個體成員截面SUR(cross-sectionSUR)。

此時這種個體成員之間存在協(xié)方差的方差結(jié)構(gòu)有些類似于個55面板數(shù)據(jù)模型經(jīng)典課件564．固定影響變截距模型的二階段最小二乘估計4．固定影響變截距模型的二階段最小二乘估計5711.3.2隨機影響變截距模型

1．隨機影響變截距模型的形式

與固定影響模型不同，隨機影響變截距模型把變截距模型中用來反映個體差異的截距項分為常數(shù)項和隨機變量項兩部分，并用其中的隨機變量項來表示模型中被忽略的、反映個體差異的變量的影響。模型的基本形式為：11.3.2隨機影響變截距模型58為了分析方便，可以將模型(11.3.19)寫成如下形式：為了分析方便，可以將模型(11.3.19)寫成如下形式：59

可見，隨機影響變截距模型的誤差項為兩種隨機誤差之和，方差為各隨機誤差的方差之和。

2．隨機影響變截距模型的估計

在式(11.3.21)中可以看出NT個觀測值的擾動協(xié)方差矩陣為

可見，隨機影響變截距模型的誤差項為兩種隨機誤差之和，60

在實際分析中，成分方差幾乎都是未知的。因此，需要采用可行廣義最小二乘估計法(feasiblegeneralizedleastsquared，F(xiàn)GLS)對模型進行估計，即先利用數(shù)據(jù)求出未知成分方差的無偏估計，然后再進行廣義最小二乘估計。在實際分析中，成分方差幾乎都是未知的。因此，需要采用可行61

例11.3.2

利用1996-2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費和人均收入數(shù)據(jù)(見表11.1和表11.2)，試建立隨機影響變截距模型，研究這些地區(qū)的居民家庭消費行為。模型形式為

EViews估計方法：在EViews的PooledEstimation對話框中Intercept選項中選Randomeffects（隨機效應(yīng)截距項，見圖11.3.6），其余選項同上。例11.3.2利用1996-2002年中國東北、62圖11.3.6合成數(shù)據(jù)模型定義對話框

圖11.3.6合成數(shù)據(jù)模型定義對話框63隨機影響變截距模型輸出結(jié)果如表11.3.4。表11.3.4隨機影響變截距模型估計結(jié)果隨機影響變截距模型輸出結(jié)果如表11.3.4。64面板數(shù)據(jù)模型經(jīng)典課件65表11.3.5各地區(qū)隨機影響的變截距模型估計結(jié)果地區(qū)隨機影響估計值地區(qū)隨機影響估計值安徽-2.55遼寧112.12北京367.04內(nèi)蒙古-133.14福建-54.24山東-100.87河北-104.84上海126.18黑龍江-101.77陜西-22.79吉林54.91天津10.09江蘇-32.28浙江106.09江西-223.95

表11.3.5各地區(qū)隨機影響的變截距模型估計結(jié)果地區(qū)66

從表11.3.5給出的估計結(jié)果可以看出，在15個省市中，自發(fā)消費最高的為北京，其次為上海，最低的是江西，其次是內(nèi)蒙古，該結(jié)果與例11.3.3中所得到的結(jié)果基本一致。

11.3.3隨機效應(yīng)模型的檢驗

在實際應(yīng)用中，究竟是采用固定效應(yīng)模型還是采用隨機效應(yīng)模型，這需要進行模型設(shè)定檢驗。

1.LM檢驗。Breush和Pagan于1980年提出R檢驗方法。其檢驗原假設(shè)和備擇假設(shè)：

如果不否定原假設(shè)，就意味著沒有隨機效應(yīng)，應(yīng)當采用固定效應(yīng)模型。對于原假設(shè)，檢驗的統(tǒng)計量是：從表11.3.5給出的估計結(jié)果可以看出，在15個省市672.豪斯曼（Hausman）檢驗。WilliamH

Greene于1997年提出了一種檢驗方法，稱為豪斯曼（Hausman）檢驗。檢驗的統(tǒng)計量是：2.豪斯曼（Hausman）檢驗。WilliamH68

例11.3.3

利用1996-2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費（不變價格）和人均收入數(shù)據(jù)(見表11.1和表11.2)。（1）利用豪斯曼檢驗選擇面板模型，研究居民家庭消費行為。（2）面板單位根檢驗。

（1）利用豪斯曼檢驗選擇面板模型：由個體固定效應(yīng)回歸結(jié)果(表11.3.3)式知：例11.3.3利用1996-2002年中國東北、69EViews5.1可以直接進行Hausman檢驗。在表11.3.4輸出結(jié)果窗口中點擊View鍵，選Fixed／RandomEffectsTesting／CorrelatedRandomEffect-HausmanTest功能，如圖11.3.8，可以直接獲得如表11.3.6的Hausman檢驗結(jié)果(主要結(jié)果)。EViews5.1可以直接進行Hausman檢驗。在表1170圖11.3.7Hausman檢驗圖11.3.7Hausman檢驗71表11.3.6Hausman檢驗結(jié)果表11.3.6Hausman檢驗結(jié)果72

表11.3.6中第1部分給出的是Hausman檢驗結(jié)果。Hausman統(tǒng)計量的值是14.7875，相對應(yīng)的概率是0.0001，說明檢驗結(jié)果拒絕了隨機效應(yīng)模型原假設(shè)，應(yīng)該建立個體固定效應(yīng)模型。14.79與上面計算的21.22有差別，是由于兩種計算的誤差不同所致。表中第2部分給出的是Hausman檢驗中間結(jié)果比較。0.697561是個體固定效應(yīng)模型對參數(shù)的估計，0.724569是隨機效應(yīng)模型對參數(shù)的估計。0.000049是相應(yīng)兩個參數(shù)估計量的分布方差的差(Var(Diff))。綜上分析，1996～2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費和人均收入問題應(yīng)該建立個體固定效應(yīng)回歸模型。人均消費平均占人均收入的69.76％。隨地區(qū)不同，自發(fā)消費(截距項)存在顯著性差異。表11.3.6中第1部分給出的是Hausma73

（2）面板單位根檢驗在工作文件窗El中打開CP變量的15個數(shù)據(jù)組，點擊View鍵，選UnitRootTest功能(如圖11.3.8)，打開GroupUnitRootTest對話框如圖11.3.9，共有6個選項區(qū)。圖11.3.8

（2）面板單位根檢驗圖11.3.874圖11.3.9圖11.3.975①Testtype選項區(qū)共包括6種檢驗方法，分別是LLC，Breitung，IPS，F(xiàn)isherADF，F(xiàn)isherPP，Hadri檢驗。默認的狀態(tài)是6種檢驗結(jié)果綜合(Summary)。檢驗方法的下拉菜單見圖11.3.10。圖11.3.10①Testtype選項區(qū)共包括6種檢驗方法76

②Testforunitrootin選項區(qū)包括3個選項，可以對水平序列(Level)、一次差分序列(1stdifference)、二次差分序列(2nddifference)進行檢驗，默認的選擇是對水平序列檢驗單位根。③Includeintestequation選項區(qū)有3個選項。檢驗式中包括截距項、截距項與趨勢項，不包括確定性項。④Option(選擇)選項區(qū)對是否使用平衡面板做出選擇。⑤Laglength選項區(qū)指單位根檢驗式中差分項的滯后長度。可以給出6種評價準則。⑥Spectralestimation選項區(qū)中核(Kernel)估計給出3種選擇。選擇默認值，點擊圖11.3.9窗口中的OK鍵，得15個地區(qū)的CP序列的單位根檢驗綜合結(jié)果如表11.3.7。5種檢驗方法的結(jié)論都認為15個CP序列存在單位根。②Testforunitrooti77表11.3.7面板單位根檢驗結(jié)果表11.3.7面板單位根檢驗結(jié)果7811.4變系數(shù)模型

變系數(shù)模型的基本形式如下：11.4變系數(shù)模型79面板數(shù)據(jù)模型經(jīng)典課件8011.4.1固定影響變系數(shù)模型

1．不同個體之間隨機誤差項不相關(guān)的固定影響變系數(shù)模型截面?zhèn)€體的N個單方程，利用各橫截面?zhèn)€體的時間序列數(shù)據(jù)采用經(jīng)典的單方程模型估計方法分別估計各單方程中的參數(shù)。

2．不同個體之間隨機誤差項相關(guān)的固定影響變系數(shù)模型11.4.1固定影響變系數(shù)模型截面?zhèn)€體的N個單方程，利用81面板數(shù)據(jù)模型經(jīng)典課件82

例11.4.1

利用1996-2002年中國東北、華北、華東15個省級地區(qū)的居民家庭人均消費和人均收入數(shù)據(jù)(見表11.1和表11.2)，試建立固定影響變系數(shù)模型，研究這些地區(qū)的居民家庭消費行為。模型形式為

其中：ai為15個省市的自發(fā)消費傾向，bi為邊際消費傾向，兩者用來反映省市間的消費結(jié)構(gòu)差異。

EViews估計方法：在PooledEstimation（混合估計）窗口中的DependentVariable（相依變量）選擇窗填入CP?；在Commoncoefficients（系數(shù)相同）選擇窗保持空白；在Crosssectionspecificcoefficients（截面系數(shù)不同）選擇窗填入IP?；在Intercept（截距項）選擇窗中選Fixedeffects（也可以做其他選擇）；在Weighting（權(quán)數(shù)）選擇窗點擊Noweighting。點擊PooledEstimation（混合估計）窗口中的OK鍵。固定影響變系數(shù)模型輸出結(jié)果如表11.4.1。例11.4.1利用1996-2002年中國東北、83表11.4.1固定影響變系數(shù)模型估計結(jié)果

表11.4.1固定影響變系數(shù)模型估計結(jié)果84面板數(shù)據(jù)模型經(jīng)典課件85

表11.4.1中給出了變系數(shù)模型估計結(jié)果，表11.4.1上部第2列是各地區(qū)的邊際消費傾向估計值，后面3列是估計標準誤、檢驗統(tǒng)計量值和相伴概率。表11.4.1中部是各地區(qū)截距估計值。表11.4.1下部是整個回歸方程的擬合優(yōu)度、F統(tǒng)計量、DW統(tǒng)計量等指標。輸出結(jié)果的方程形式是安

徽：CP_AH=161.6170366+0.7600529617*IP_AH北

京：CP_BJ=36.21736713+0.8065556921*IP_BJ福

建：CP_FJ=1274.326672+0.5830460912*IP_FJ河

北：CP_HB=319.354881+0.705311265*IP_HB黑龍江：CP_HLJ=595.8939202+0.6444699411*IP_HLJ吉

林：CP_JL=117.7833817+0.7875706843*IP_JL江

蘇：CP_JS=708.9157069+0.6623656882*IP_JS表11.4.1中給出了變系數(shù)模型估計結(jié)果，表11.486江

西：CP_JX=652.3219323+0.6019851277*IP_JX遼

寧：CP_LN=195.599025+0.7812790991*IP_LN內(nèi)蒙古：CP_NMG=-106.6406618+0.7858190681*IP_NMG山

東：CP_SD=502.169392+0.677398964*IP_SD上

海：CP_SH=1051.031432+0.6717297747*IP_SH陜

西：CP_SX=568.1459927+0.669777312*IP_SX天

津：CP_TJ=197.1228368+0.7457127261*IP_TJ浙

江：CP_ZJ=1328.261149+0.6276611695*IP_ZJ江西：CP_JX=652.3219323+0.687

在計算變系數(shù)模型中的個體影響時，不同的軟件給出的個體影響形式不同。Eviews5.0軟件，給出的個體影響反映的是各個體成員對總體平均狀態(tài)的偏離。

EViews5.0估計結(jié)果如表11.4.2所示。表11.4.2各地區(qū)自發(fā)消費對平均自發(fā)消費偏離的固定影響變系數(shù)模型估計結(jié)果

從表11.4.1結(jié)果表明，回歸系數(shù)顯著不為0，F(xiàn)統(tǒng)計量較大（p值顯著），調(diào)整后的樣本決定系數(shù)達0.99，說明模型的擬合優(yōu)度較高。從估計結(jié)果可以看出，15個省級地區(qū)的居民家庭消費需求結(jié)構(gòu)具有明顯的差異。在15個省市中，邊際消費傾向最高是北京，其次是吉林、內(nèi)蒙古兩省區(qū)，而邊際消費傾向較低的是江西，最低的是福建。在計算變系數(shù)模型中的個體影響時，不同的軟件給出的個88面板數(shù)據(jù)模型經(jīng)典課件89面板數(shù)據(jù)模型經(jīng)典課件90

從表11.4.2可知，回歸系數(shù)與表11.4.1中相同。表11.4.2上半部第1行中的常數(shù)項506.808為15個省市的平均自發(fā)消費水平，表11.4.2下半部數(shù)據(jù)為各地區(qū)自發(fā)消費對平均自發(fā)消費的偏離，用來反映省市間的消費結(jié)構(gòu)差異。平均自發(fā)消費水平與各地區(qū)自發(fā)消費對平均自發(fā)消費的偏離之和為各地區(qū)自發(fā)消費。表11.4.2回歸結(jié)果與表11.4.1回歸結(jié)果本質(zhì)上是相同的。

2．不同個體之間隨機誤差項相關(guān)的固定影響變系數(shù)模型從表11.4.2可知，回歸系數(shù)與表11.4.1中相91面板數(shù)據(jù)模型經(jīng)典課件92面板數(shù)據(jù)模型經(jīng)典課件93

相對于混合估計模型來說，是否有必要建立變截距、變系數(shù)模型，可以通過F檢驗來完成。即檢驗樣本數(shù)據(jù)究竟屬于哪一種面板數(shù)據(jù)模型形式。主要檢驗如下兩個假設(shè)：相對于混合估計模型來說，是否有必要建立變截距、變系數(shù)94面板數(shù)據(jù)模型經(jīng)典課件95面板數(shù)據(jù)模型經(jīng)典課件963．含有AR(p)項的固定影響變系數(shù)模型對于含有AR(p)項的固定影響變系數(shù)模型，經(jīng)過適當?shù)淖儞Q，可以將其轉(zhuǎn)換成基本的固定影響變系數(shù)模型進行估計。例如，含有AR(1)項的固定影響變系數(shù)模型的基本形式如下：3．含有AR(p)項的固定影響變系數(shù)模型97

利用前面所介紹的固定影響變系數(shù)模型的估計方法，能夠?qū)崿F(xiàn)對于變形后的模型(11.4.8)的估計。類似，對于含有AR(p)項的固定影響變截距模型，也可以經(jīng)適當變換轉(zhuǎn)變?yōu)榛镜墓潭ㄓ绊懽兘鼐嗄Ｐ瓦M行估計。

11.4.2隨機影響變系數(shù)模型

1．隨機影響模型的形式考慮如下形式的變系數(shù)模型：利用前面所介紹的固定影響變系數(shù)模型的估計方法，能夠?qū)崿F(xiàn)對于98面板數(shù)據(jù)模型經(jīng)典課件99面板數(shù)據(jù)模型經(jīng)典課件100

2．隨機影響模型的估計

在實際分析中，這兩項方差幾乎都是未知的，因此需要采用可行廣義最小二乘估計法(FGLS)對模型進行估計，即先利用數(shù)據(jù)求出未知方差的無偏估計，然后再進行廣義最小二乘估計。2．隨機影響模型的估計在實際分析中，這兩項方差10111.5案例分析

根據(jù)凱恩斯的絕對收入假說，利用我國29個省市（不包括重慶和西藏）的城鎮(zhèn)居民可支配收入、消費數(shù)據(jù)(見表11.5.1、表11.5.2)建立城鎮(zhèn)居民消費函數(shù)，對各省市的居民消費結(jié)構(gòu)進行對比分析。模型中的被解釋變量CS為城鎮(zhèn)居民人均全年消費支出，解釋變量YD為城鎮(zhèn)居民人均全年可支配收入（單位：元/人），變量均為年度數(shù)據(jù)，樣本區(qū)間為1991-2004年。

表11.5.129個省市地區(qū)的城鎮(zhèn)居民家庭平均消費支出數(shù)據(jù)（單位：元/人）11.5案例分析102面板數(shù)據(jù)模型經(jīng)典課件103面板數(shù)據(jù)模型經(jīng)典課件104面板數(shù)據(jù)模型經(jīng)典課件105面板數(shù)據(jù)模型經(jīng)典課件106面板數(shù)據(jù)模型經(jīng)典課件107面板數(shù)據(jù)模型經(jīng)典課件108面板數(shù)據(jù)模型經(jīng)典課件109面板數(shù)據(jù)模型經(jīng)典課件110

利用1991~2004年29個省級地區(qū)城鎮(zhèn)居民家庭年人均消費性支出和年人均可支配收入數(shù)據(jù)，用EViews建立面板數(shù)據(jù)估計模型步驟如下。

11.5.1建立合成數(shù)據(jù)庫（Pool）對象

首先建立工作文件。在打開工作文件窗口的基礎(chǔ)上，點擊EViews主功能菜單上的Objects鍵，選NewObject功能，從而打開NewObject（新對象）選擇窗。在TypeofObject選擇區(qū)選擇Pool（合并數(shù)據(jù)庫），并在NameofObject選擇區(qū)為混合數(shù)據(jù)庫起名CS（初始顯示為Untitled）。如圖11.5.1，點擊OK鍵，從而打開混合數(shù)據(jù)庫（Pool）窗口。在窗口中輸入29個地區(qū)的標識AH（安徽）、BJ（北京）、…、ZJ（浙江），如圖11.5.2。利用1991~2004年29個省級地區(qū)城鎮(zhèn)居111圖11.5.1Pool對象定義對話框

圖11.5.1Pool對象定義對話框112圖11.5.2Pool對象說明窗口

圖11.5.2Pool對象說明窗口11311.5.2定義序列名并輸入數(shù)據(jù)

在新建的混合數(shù)據(jù)庫（Pool）窗口的工具欄中點擊Sheet鍵（第2種路徑是，點擊View鍵，選Spreadsheet(stackeddata)功能），從而打開SeriesList（列出序列名）窗口，定義時間序列變量CS?和YD?（？符號表示與CS和YD相連的29個地區(qū)標識名）如圖11.5.3。點擊OK鍵，從而打開混合數(shù)據(jù)庫（Pool）窗口，（點擊Edit+-鍵，使EViews處于可編輯狀態(tài)）輸入數(shù)據(jù)。輸入完成后的情形見圖11.5.4。圖11.5.4所示為以截面為序的陣列式排列（stackeddata）。點擊Order+-鍵，還可以變換為以時間為序的陣列式排列。11.5.2定義序列名并輸入數(shù)據(jù)114圖11.5.3序列列表對話框

圖11.5.3序列列表對話框115圖11.5.4序列的堆棧形式數(shù)據(jù)表

圖11.5.4序列的堆棧形式數(shù)據(jù)表11611.5.3估計模型

點擊Estimation鍵，隨后彈出PooledEstimation（混合估計）對話窗（見圖11.5.5）。圖11.5.5合成數(shù)據(jù)模型定義對話框

11.5.3估計模型圖11.5.5合成117

先對PooledEstimation（混合估計）對話窗中各選項功能給以解釋。

DependentVariable（被解釋變量）選擇窗：用于填寫被解釋變量。

Sample（樣本范圍）選擇窗：用于填寫樣本區(qū)間。

BalancedSample（平衡樣本）選擇塊：點擊打勾后表示用平衡數(shù)據(jù)估計。

Commoncoefficients（系數(shù)相同）選擇窗：用于填寫對于不同橫截面斜率相同的解釋變量和虛擬變量。

Crosssectionspecificcoefficients（截面系數(shù)不同）選擇窗：用于填寫對于不同橫截面斜率不同的解釋變量。先對PooledEstimation（混合估計）對118

Intercept（截距項）選擇窗：從中可以選None（無截距項）、Common（個體相同截距項）、Fixedeffects（固定效應(yīng)個體不同截距項）、Randomeffects（隨機效應(yīng)截距項）。

Weighting（權(quán)數(shù)）選擇窗：從中可以選Noweighting（等權(quán)估計）、Crosssectionweights（按截面取權(quán)數(shù)）、SUR（似不相關(guān)回歸）、iteratetoconvergence（迭代至收斂）。“等權(quán)估計”的方法是所有的觀測值都給以相等的權(quán)數(shù)；“按截面取權(quán)數(shù)”的方法是以橫截面模型殘差的方差為權(quán)數(shù)，屬于廣義最小二乘法估計?！八撇幌嚓P(guān)回歸”的方法是利用橫截面模型殘差的協(xié)方差進行廣義最小二乘法估計，該法將自動修正橫截面中出現(xiàn)的異方差和短期自相關(guān)；“迭代至收斂”方法當選擇廣義最小二乘法估計時，點擊此鍵將保證參數(shù)估計一直到收斂為止。Intercept（截距項）選擇窗：從中可以選Non119

用EViews可以估計固定效應(yīng)模型、隨機效應(yīng)模型、帶有AR(1)參數(shù)的模型、截距不同回歸系數(shù)也不同的面板數(shù)據(jù)模型。用EViews可以選擇普通最小二乘法、加權(quán)最小二乘法（以截面模型的方差為權(quán)）、似不相關(guān)回歸法估計模型參數(shù)。可以在Commoncoefficients選擇窗和Crosssectionspecificcoefficients選擇窗中填入AR(1)項。估計過程中的缺省方法是等權(quán)（Noweighting）估計。還可以選擇Crosssectionweights（按截面取權(quán)數(shù)）和SUR（似不相關(guān)回歸）。用EViews可以估計固定效應(yīng)模型、隨機效應(yīng)模120

下面分別建立無個體影響的不變系數(shù)模型、變截距模型和變系數(shù)模型等，然后從中選擇一個比較理想的模型作為我國的城鎮(zhèn)居民消費函數(shù)，并對各省市的居民消費結(jié)構(gòu)進行對比分析。

1.無個體影響的不變系數(shù)模型

模型形式為

其中：a為29個省市的平均自發(fā)消費傾向，b為邊際消費傾向。

EViews估計方法：在圖11.5.5合成數(shù)據(jù)模型定義對話框左上部的DependentVariable選擇窗填入被解釋變量CS?，在中部的Commoncoefficients（系數(shù)相同）選擇窗填入解釋變量YD?，Crosssectionspecificcoefficients（截面系數(shù)不同）選擇窗保持空白；Intercept選項選擇窗點擊Common，對話框Weighting（權(quán)數(shù)）選項點擊Noweighting。完成合成數(shù)據(jù)模型定義對話框后，點擊OK鍵，得輸出結(jié)果如表11.5.3。下面分別建立無個體影響的不變系數(shù)模型、變截距模型121表11.5.3無個體影響的不變系數(shù)模型估計結(jié)果表11.5.3無個體影響的不變系數(shù)模型估計結(jié)果122

從表11.5.3結(jié)果看，回歸系數(shù)顯著不為0，調(diào)整后的樣本決定系數(shù)達0.99，說明模型的擬合優(yōu)度較高。從結(jié)果看，平均消費傾向為0.76。

2.固定效應(yīng)變截距模型模型形式為

其中：ai為29個省市的自發(fā)消費傾向，用來反映省市間的消費結(jié)構(gòu)差異，b為邊際消費傾向。

EViews估計方法：在EViews的PooledEstimation對話框中Intercept選項中選Fixedeffects。其余選項同上。得輸出結(jié)果如表11.5.4。表11.5.4固定效應(yīng)變截距模型估計結(jié)果從表11.5.3結(jié)果看，回歸系數(shù)顯著不為0，調(diào)整后的123面板數(shù)據(jù)模型經(jīng)典課件124

表11.5.4中給出了變截距模型估計結(jié)果，表中的系數(shù)0.741232為邊際消費傾向，后面三項是估計標準誤、檢驗統(tǒng)計量值和相伴概率。表中下半部是各地區(qū)截距估計值。輸出結(jié)果的方程形式見表11.5.5。表11.5.5我國城鎮(zhèn)居民消費函數(shù)（固定效應(yīng)變截距模型）表11.5.4中給出了變截距模型估計結(jié)果，表中的系數(shù)0.125面板數(shù)據(jù)模型經(jīng)典課件126地區(qū)代號居民消費函數(shù)內(nèi)蒙古NMGCSNMG=162.82+0.74*YDNMG寧夏NXCSNX=372.01+0.74*YDNX青海QHCSQH=353.89+0.74*YDQH四川SCCSSC=440.09+0.741*YDSC山東SDCSSD=68.52+0.74*YDSD上海SHCSSH=317.66+0.74*YDSH陜西SHXCSSHX=423.57+0.74*YDSHX山西SXCSSX=149.89+0.74*YDSX天津TJCSTJ=262.11+0.74*YDTJ新疆XJCSXJ=168.08+0.74*YDXJ云南YNCSYN=335.55+0.74*YDYN浙江ZJCSZJ=267.56+0.74*YDZJ地區(qū)代號居民消費函數(shù)內(nèi)蒙古NMGCSNMG=162.127

表11.5.5結(jié)果表明，回歸系數(shù)顯著不為0，調(diào)整后的樣本決定系數(shù)達0.99，說明模型的擬合優(yōu)度較高。從估計結(jié)果可以看出，對于本例中的29個省市來說，雖然它們的居民消費傾向相同，但是其居民的自發(fā)消費存在顯著的差異，其中北京、廣東是居民自發(fā)消費最高的2個地區(qū)，而居民自發(fā)消費最低的是江西。

3.隨機效應(yīng)變截距模型模型形式為

其中：a為29個省市的平均自發(fā)消費傾向，b為邊際消費傾向，vi為隨機變量，代表i地區(qū)的隨機影響，用來反映省市間的消費結(jié)構(gòu)差異。

EViews估計方法：在EViews的PooledEstimation對話框中Intercept選項中選Randomeffects（隨機效應(yīng)截距項），其余選項同上。隨機影響變截距模型輸出結(jié)果如表11.5.6。表11.5.5結(jié)果表明，回歸系數(shù)顯著不為0，調(diào)128表11.5.6隨機影響變截距模型估計結(jié)果

表11.5.6隨機影響變截距模型估計結(jié)果129面板數(shù)據(jù)模型經(jīng)典課件130回歸結(jié)果如下：回歸結(jié)果如下：131表11.5.7各地區(qū)隨機影響的變截距模型估計結(jié)果地區(qū)隨機影響估計值地區(qū)隨機影響估計值安徽-37.56江西-223.49北京241.54遼寧116.04福建-80.39內(nèi)蒙古-95.39廣東229.89寧夏88.53甘肅44.55青海72.49廣西40.14四川147.56貴州-22.82山東-179.78河北-122.46上海34.14河南-126.33陜西133.76黑龍江-100.94山西-106.75海南-93.33天津-11.20湖北120.50新疆-91.55湖南77.67云南55.03吉林1.80浙江-8.11江蘇-103.53

表11.5.7各地區(qū)隨機影響的變截距模型估計結(jié)果地區(qū)132

從表11.5.7給出的估計結(jié)果可以看出，在29個省市中，自發(fā)消費最高的為北京，其次為廣東，最低的是江西，該結(jié)果與表11.5.5中所得到的結(jié)果基本相一致。

4.Hausman檢驗與面板數(shù)據(jù)單位根檢驗在表11.5.6輸出結(jié)果窗口中點擊View鍵，選Fixed／RandomEffectsTesting／CorrelatedRandomEffect-HausmanTest功能，可以直接獲得如表11.5.8的Hausman檢驗結(jié)果(主要結(jié)果)。從表11.5.7給出的估計結(jié)果可以看出，在29個省133表11.5.8Hausman檢驗結(jié)果表11.5.8Hausman檢驗結(jié)果134

表11.5.8中第1部分給出的是Hausman檢驗結(jié)果。Hausman統(tǒng)計量的值是4.264457，相對應(yīng)的概率是0.0389，說明檢驗結(jié)果拒絕了隨機效應(yīng)模型原假設(shè)，應(yīng)該建立個體固定效應(yīng)模型。圖中第2部分給出的是Hausman檢驗中間結(jié)果比較。0.741232是個體固定效應(yīng)模型對參數(shù)的估計，0.742728是隨機效應(yīng)模型對參數(shù)的估計。0.000001是相應(yīng)兩個參數(shù)估計量的分布方差的差(Var(Diff))。綜上分析，1991～2004年中國29個省級地區(qū)城鎮(zhèn)居民人均消費和人均可支配收入問題應(yīng)該建立個體固定效應(yīng)回歸模型。人均消費平均占人均收入的74.12％。隨地區(qū)不同，自發(fā)消費(截距項)存在顯著性差異。表11.5.8中第1部分給出的是Hausman檢驗結(jié)135

面板數(shù)據(jù)是單位根檢驗:以變量CP為例。在工作文件窗口中打開CP變量的29個數(shù)據(jù)組，點擊View鍵，選UnitRootTest功能，打開面板數(shù)據(jù)單位根檢驗(GroupUnitRootTest)對話框如圖11.5.6，共有6個選項區(qū)。面板數(shù)據(jù)是單位根檢驗:以變量CP為例。136圖11.5.6單位根檢驗定義對話框圖11.5.6單位根檢驗定義對話框137選擇默認值，點擊圖11.5.6窗口中的OK鍵，得29個地區(qū)的CP序列的單位根檢驗綜合結(jié)果如表11.5.9。5種檢驗方法的結(jié)論都認為29個CP序列存在單位根。選擇默認值，點擊圖11.5.6窗口中的OK鍵138表11.5.9面板單位根檢驗結(jié)果表11.5.9面板單位根檢驗結(jié)果1395.固定效應(yīng)變系數(shù)模型（OLS法）

模型形式為

其中：ai為29個省市的自發(fā)消費傾向，bi為邊際消費傾向，兩者用來反映省市間的消費結(jié)構(gòu)差異。

EViews估計方法：在Commoncoefficients（系數(shù)相同）選擇窗保持空白；在Crosssectionspecificcoefficients（截面系數(shù)不同）選擇窗填入YD?；在Intercept（截距項）選擇窗中選Fixedeffects；其余選項同上。固定影響變系數(shù)模型輸出結(jié)果如表11.5.10。表11.5.10固定影響變系數(shù)模型估計結(jié)果5.固定效應(yīng)變系數(shù)模型（OLS法）其中：ai為140面板數(shù)據(jù)模型經(jīng)典課件141面板數(shù)據(jù)模型經(jīng)典課件142

表11.5.10中給出了變系數(shù)模型估計結(jié)果，表11.5.10上部第2列是各地區(qū)的邊際消費傾向估計值，后面3列是估計標準誤、檢驗統(tǒng)計量值和相伴概率。表11.5.8中部是各地區(qū)截距估計值。表11.5.8下部是整個回歸方程的擬合優(yōu)度、F統(tǒng)計量、DW統(tǒng)計量等指標。輸出結(jié)果的方程形式見表11.5.11。表11.5.11我國城鎮(zhèn)居民消費函數(shù)（固定影響變系數(shù)模型）地區(qū)代號居民消費函數(shù)安徽AHCSAH=264.33+0.73*YDAH北京BJCSBJ=212.92+0.78*YDBJ福建FJCSFJ=518.84+0.69*YDFJ廣東GDCSGD=301.393+0.77*YDGD甘肅GSCSGS=117.55+0.79*YDGS廣西GXCSGX=521.11+0.70*YDGX貴州GZCSGZ=252.64+0.74*YDGZ河北HBCSHB=279.95+0.71*YDHB河南HENCSHEN=460.74+0.66*YDHEN黑龍江HLJCSHLJ=304.10+0.71*YDHLJ海南HNCSHN=176.86+0.74*YDHN表11.5.10中給出了變系數(shù)模型估計結(jié)果，表11.143地區(qū)代號居民消費函數(shù)湖北HUBCSHUB=132.79+0.80*YDHUB湖南HUNCSHUN=14.37+0.81*YDHUN吉林JLCSJL=152.90+0.77*YDJL江蘇JSCSJS=531.35+0.68*YDJS江西JXCSJX=333.51+0.67*YDJX遼寧LNCSLN=142.64+0.80*YDLN內(nèi)蒙古NMGCSNMG=170.70+0.74*YDNMG寧夏NXCSNX=101.30+0.81*YDNX青海QHCSQH=256.56+0.76*YDQH四川SCCSSC=126.18+0.81*YDSC山東SDCSSD=297.96+0.70*YDSD上海SHCSSH=471.56+0.72*YDSH陜西SHXCSSHX=13.06+0.84*YDSHX山西SXCSSX=297.07+0.71*YDSX天津TJCSTJ=280.54+0.74*YDTJ新疆XJCSXJ=-31.84+0.78*YDXJ云南YNCSYN=192.84+0.77*YDYN浙江ZJCSZJ=522.97+0.71*YDZJ地區(qū)代號居民消費函數(shù)湖北HUBCSHUB=132144

表11.5.10結(jié)果表明，回歸系數(shù)顯著不為0，F(xiàn)統(tǒng)計量較大（p值顯著），調(diào)整后的樣本決定系數(shù)達0.996，說明模型的擬合優(yōu)度較高。從估計結(jié)果可以看出，29個省級地區(qū)的居民家庭消費需求結(jié)構(gòu)具有明顯的差異。在29個省市中，邊際消費傾向最高是陜西，其次是四川、寧夏、湖南，而邊際消費傾向較低的是江西，最低的是河南。以上建立了無個體影響的不變系數(shù)模型、變截距模型和變系數(shù)模型，樣本數(shù)據(jù)究竟屬于哪一種面板數(shù)據(jù)模型形式，需要通過F檢驗來完成。表11.5.10結(jié)果表明，回歸系數(shù)顯著不為0，F(xiàn)統(tǒng)計145面板數(shù)據(jù)模型經(jīng)典課件146型擬合樣本。6.固定影響變系數(shù)模型（GLS法）

以上建立的消費函數(shù)模型使用的是普通最小二乘法，由于各省市的城鎮(zhèn)居民消費結(jié)構(gòu)存在一定程度上的差異，所以可以使用廣義最小二乘法GLS(Crosssectionweights)，即以橫截面模型殘差的方差為權(quán)數(shù)對模型進行估計。

EViews估計方法：在Crosssectionspecificcoefficients（截面系數(shù)不同）選擇窗填入YD?，在Intercept（截距項）選擇窗中選Fixedeffects，在Weighting（權(quán)數(shù)）選擇窗選擇Crosssectionweights（按截面取權(quán)數(shù)），其余選項同上。固定影響變系數(shù)模型（GLS法）輸出結(jié)果如表11.5.12所示。表11.5.12我國城鎮(zhèn)居民消費函數(shù)估計結(jié)果（固定影響變系數(shù)模型GLS法）型擬合樣本。147面板數(shù)據(jù)模型經(jīng)典課件148

輸出結(jié)果的方程形式見表11.5.13。表11.5.13我國城鎮(zhèn)居民消費函數(shù)（固定影響變系數(shù)模型GLS法）地區(qū)代號居民消費函數(shù)安徽AHCSAH=264.33+0.73*YDAH北京BJCSBJ=212.92+0.78*YDBJ福建FJCSFJ=518.84+0.69*YDFJ廣東GDCSGD=301.33+0.77*YDGD甘肅GSCSGS=117.55+0.79*YDGS廣西GXCSGX=521.11+0.70*YDGX貴州GZCSGZ=252.64+0.74*YDGZ輸出結(jié)果的方程形式見表11.5.13。地區(qū)代號居民消費149地區(qū)代號居民消費函數(shù)河北HBCSHB=279.95+0.71*YDHB河南HENCSHEN=460.74+0.66*YDHEN黑龍江HLJCSHLJ=304.10+0.71*YDHLJ海南HNCSHN=176.86+0.74*YDHN湖北HUBCSHUB=132.79+0.80*YDHUB湖南HUNCSHUN=14.373+0.81*YDHUN吉林JLCSJL=152.90+0.77*YDJL江蘇JSCSJS=531.35+0.68*YDJS江西JXCSJX=333.51+0.67*YDJX遼寧LNCSLN=142.64+0.80*YDLN內(nèi)蒙古NMGCSNMG=170.70+0.74*YDNMG寧夏NXCSNX=101.30+0.81*YDNX青海QHCSQH=256.56+0.766*YDQH四川SCCSSC=126.18+0.81*YDSC山東SDCSSD=297.96+0.70*YDSD上海SHCSSH=471.56+0.72*YDSH陜西SHXCSSHX=13.06+0.84*YDSHX山西SXCSSX=297.07+0.71*YDSX天津TJCSTJ=280.54+0.74*YDTJ新疆XJCSXJ=-31.84+0.781*YDXJ云南YNCSYN=192.84+0.77*YDYN浙江ZJCSZJ=522.97+0.71*YDZJ地區(qū)代號居民消費函數(shù)河北HBCSHB=279.9150

在輸出結(jié)果的下方給出了評價總體估計效果的統(tǒng)計量，由于估計方法選擇的是Crosssectionweights的GLS估計，所以結(jié)果中給出了加權(quán)和未加權(quán)兩種情況下的評價統(tǒng)計量。從這部分結(jié)果可以看出，與OLS法相比，利用