面板数据计量
白仲林
基于 EViews 6的面板数据计量分析
对于面板数据,EViews 6 提供的估计方法有如下三种,
最小二乘估计——LS - Least Squares (and AR)
二阶段最小二乘估计——TSLS - Two-Stage Least Squares (and AR)
动态面板数据模型的广义矩估计——GMM / DPD - Generalized Method of Moments
/Dynamic Panel Data
第1节 “LS - Least Squares (LS and AR)”估计
如果选择最小二乘方法估计面板数据模型,在“Equation Estimation”窗口中,须依次设置
“Specification”、“Panel Options”和“Options”页面。
1.1“Specification”页面
在“Specification”页面中,完成模型设定和估计
时间范围的选择。
1 在“Equation specification”编辑区,指定模型的被解释变量、截距项和解释变量;
2 在“Sample” 编辑区,指定估计样本时间的范围。
1.2“Panel Options”页面
设置模型中不可观测的双(单)因素效应,即面板数据回归模型的选择。点击“Panel Options”
面板数据计量分析 白仲林
该页面包含三方面内容。
1 效应设置
在“Effects specification”选择区,设定面板数据模型的个体效应和时间效应,可选择的
选项有“None”、“Fixed”和“Random”,分别
示“无效应”、“固定效应”和“随机效
应”。如果选择了“Fixed”或“Random”,EViews在输出结果中自动添加一个共同常数,即
截距项,以保证效应之和为零。否则,截距项必要时,须在“Specification”页面的“Equation
specification”编辑区设定模型截距项。
2 GLS加权
设置“GLS Weights”可以在下拉框中选择如下选项
之一。其选择
为:
面板数据不存在异方差和自相关性时,选择“No weights”;
面板数据在个体间存在异方差时,选择“Cross-section weights”;
面板数据的个体间存在同期相关性和异方差时,选择“Cross-section SUR”;
对于给定的个体,存在时间上的异方差时,选择“Period weights”。
对于给定的个体残差,存在时间上的序列相关性和异方差时,选择“Period SUR”;
当选择了GLS加权(后四项),EViews采用FGLS估计模型。特别,选择了两种SUR选项的
FGLS估计也称为Parks估计。
3 系数协方差估计方法
面板数据计量分析 白仲林
通过选择“Coef covariance method”选项,确定计算系数标准差的各种稳健估计方法。可
选择的选项有
其选择标准为:
对于不存在(个体间的和时间上的)异方差和时间上的序列相关性时,选择“Ordinary”;
模型残差存在个体间的异方差和同期相关性时,可选择“White cross-section”;这时
也可选择“Cross-section SUR”选项,最常见的选择是White的截面加权法(White
cross-section)
对于模型残差,只存在时间上的异方差时,选择“White Period”选项
模型残差存在个体间的异方差时,可选择“White[Diagonal]”
模型残差存在个体间的异方差和同期相关性时,可选择“Cross-section SUR”选项;
对于模型残差,只存在个体间的异方差时,选择“Cross-section weights” 选项;
对于指定的个体,观测数据存在时间上的异方差和序列相关性时,选择“Period SUR”
选项;
对于模型残差,只存在时间上的异方差时,选择“Period weights”选项。
选择“No d.f. correction”,计算时不进行自由度修正。
注意:(1) 模型设定和估计方法的一些组合EViews 6不支持,例如,对于个体随机效应模
型,设置AR项,或者,选择GLS加权,EViews 6不支持。
(2) 对于双因素随机效应模型,不支持非平衡面板数据。
1.3“Options”页面
面板数据计量分析 白仲林
“Options”页面包括系数导数的计算方法选项“Derivatives”、GLS估计的加权选项
“Weighting Options”、回归系数重命名“Coefficient Name” 和迭代算法选项“Iteration
Control”四方面的选项。除回归系数重命名“Coefficient Name”编辑窗口外,该页面的其它
选项依赖于“Panel Options”页面的设置。
对于随机效应模型,可选择“Weighting Options”确定随机效应方差的估计方法;
对于固定效应模型,可选择“Iteration Control”确定迭代估计方法的收敛和迭代选择;
如果“Panel Options”页面选择了GLS加权,在“Options”页面可选择“Weighting Options”、
“Coefficient Name” 和“Iteration Control”三方面的选项,
1 系数导数的计算方法
在EViews 6中,可以设置均值方程的(非线性)函数形式,并提供两种计算系数导数的计
算方法。选择“Use numeric only”,EViews 6采用有限差分法计算系数的数值导数。否则,采
用Newton-Raphson方法和Gauss-Newton/BHHH等方法对计算系数的解析导数。对于线性模型,
该选项无效。
2 加权选项
在估计随机效应模型时,EViews 提供了计算随机效应方差的三种估计方法,分别是
Swamy-Arora, Wallace-Hussain和Wansbeek-Kapteyn方法。
缺省选择是“Swamy-Arora”方法,详细内容参考Baltagi (2008).
另外,“Keep GLS weights”选项决定是否保存该模型GLS估计的权重。
3 回归系数重命名
缺省时,EViews 6使用向量C保存系数和效应的估计值。如果使用其他变量名保存它们,
面板数据计量分析 白仲林
在编辑栏输入变量名。
4 迭代算法选择
“Max Iterations Convergence”选项供选择系数和GLS权重的迭代次数和收敛检验。如果
模型设定中含AR,设置有AR项模型系数的初始值,可分别选择无AR项模型系数的OLS估计分
数、0或者用户自定义值。
“Display Settings”决定在输出结果中是否显示收敛设置和系数的初始值。
最后的两个单项选择用于确定系数向量和加权矩阵收敛迭代设置,可选择“Simultaneous
updating”和“Sequential updating”,选择前者EViews同时对系数向量和GLS加权矩阵迭代;
如果选择“Sequential updating”,系数向量迭代后,EViews更新GLS加权矩阵,再迭代系数向
量。但是对于无AR项的GLS模型,两种设置是相同的。
如果选择了“Update coefs to convergence”和“ Update coefs once”之一,GLS加权矩阵只
更新一次,前者对系数向量迭代计算直至收敛。选择后者,系数向量也仅迭代一次。同样,对
于无AR项的GLS模型,两种设置也是相同的。
1.4“LS - Least Squares (LS and AR)”估计结果
案例:Grunfeld(1958)建立了下面的投资方程:
1 2it it it i t itI F C uα β β ξ λ= + + + + +
这里,Iit表示对第 i个企业在 t 年的实际总投资,Fit表示企业的实际价值(即公开出售的股份),
Cit 表示资本存量的实际价值。案例中的数据是来源于 10 个大型的美国制造业公司 1935-1954
共 20 年的面板数据。
利用 EViews6 估计双因素固定效应和随机效应模型
1 双因素固定效应模型的 EViews6 输出结果
面板数据计量分析 白仲林
2 双因素随机效应模型的 EViews6 输出结果
1.5 面板数据模型的检验
1 固定效应的检验
EViews检验过程:
View/Fixed/Random Effects Testing/Redundant Fixed Effects – Likelihood Ratio.
检验结果:
σˆ μ
σˆ ν
ˆ wσ
0 表示估计值为负
面板数据计量分析 白仲林
LR1
LR3
F1
F3
F2
H02 下有约束模型的估计
LR2
面板数据计量分析 白仲林
2 随机效应 / 固定效应检验-Hausman检验
EViews6的检验过程:
View/Fixed/Random Effects Testing/Correlated Random Effects- Hausman Test
检验结果:
H01下有约束模型的估计
H03下有约束模型的估计
面板数据计量分析 白仲林
(1) 基于双随机效应和双固定效应的 Hausman 检验统计量 m1 = 8.842,其 p = 0.012,在 5%
的显著性水平下,Hausman 检验拒绝了零假设 50H ;
(2) EViews 还给
了其他两种 Hausman 检验。
最终,应选择个体随机时间固定的双因素效应模型。
第2节 “TSLS - Two-Stage Least Squares (and AR)”估计
如果选择二阶段最小二乘估计方法(“TSLS - Two-Stage Least Squares (and AR)”)面
板数据模型,在“Equation Estimation”窗口中,须依次设置“Specification”、“Panel Options”、
“Instruments”和“Options”页面。其中,“Specification”、“Panel Options”和“Options”
页面的设置与最小二乘估计方法相同,下面主要介绍“Instruments”页面设置。
在使用二阶段最小二乘估计方法时,需要设置“Instruments”页面,以确定工具变量。该
页面有两部分。在“Instrument list”编辑框指定工具变量,列示所使用的工具变量序列。
“Instruments list”页面缺省时,EViews6选择的工具变量是解释变量自身。
如果模型设定时,AR项作为解释变量,可选择“Include lagged regressors for equations with
AR terms”选项,自动设定模型设定中的变量作为工具变量,并且,EViews6 采用非线性OLS
估计模型。
注意:在“Instruments” 编辑框无需指定常数项。
检验 H0 下的 m1 统计量
检验 H0下的 m2统计量
检验 H0 下的 m3 统计量
面板数据计量分析 白仲林
第3节 “GMM / DPD - Generalized Method of Moments/Dynamic Panel Data”估计
在EViews6中,使用GMM方法估计面板数据模型,也需要设置“Specification”、“Panel
Options”、“Instruments”和“Options”四个页面。
1“Specification”页面
在“Specification”页面的“Estimation settings”选择框选择“GMM / DPD -Generalized
Method of Moments / Dynamic Panel Data”。“Specification”页面的模型设定和样本选择与
前面一致。
通常采用设定动态面板数据模型的向导“Dynamic Panel Wizard...”按钮设定动态面板数
据模型的向导。它通过如下六步完成。
(1)设定被解释变量
z 编辑被解释变量
z 选择被解释变量的滞后阶数,即解释变量中AR项的阶数。
(2)设定外生的解释变量
编辑外生解释变量
面板数据计量分析 白仲林
(3)选择剔除模型中固定效应的变换方法
选择差分法 Difference (as in Arellano and Bond, 1991),差分原始数据。或者,选择正交离差
Orthogonal Deviations (Arellano and Bover, 1995)
(4)设定GMM估计的Arellano-Bond工具变量
缺省时,@DYN(CP,-2)指 CP(-2), …,CP(-T)均是 ΔCP(1)的工具变量。例如,也可以设定
为@DYN(CP,-2,-5),这时,ΔCP(1)的工具变量是 CP(-2), …,CP(-5).
(4)设定 GMM 估计的其它工具变量(Arellano and Bover,1995)
面板数据计量分析 白仲林
如果这些变量的变换后结果做为工具变量,在左侧编辑;如果用不进行变换的变量做为工
具变量,在右侧编辑。
(6)设定GMM估计的迭代方法
z 选择GMM估计的迭代选项
1-step (for i.i.d. innovations) 计算Arellano-Bond 1-step 估计;
2-step (update weights once) 计算Arellano-Bond 2-step 估计;
n-step (iterate to convergence) 多次迭代直至收敛。
z 选择估计系数的方差估计方法
完成模型设定和GMM工具变量的选择。
面板数据计量分析 白仲林
另外,还可以利用“Panel Options”、“Instruments”和“Options”三个页面进一步优化
动态模型。其中,“Panel Options”和“Options”页面的设定与“LS”估计相应页面的设定相
似。
2 动态面板数据模型GMM估计结果
计算Sargan检验的p-值
scalar pval =@chisq(13.26762939364339, 12)
p-value= 0.35
所以,接受“过度约束正确的零假设”。