Eviews面板数据模型估计

nullEviews面板数据模型估计Eviews面板数据模型估计一、面板数据及如何建立混合数据库一、面板数据及如何建立混合数据库1.面板数据定义 时间序列数据或截面数据都是一维数据。面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。 　　nullnullnull　　Pool对象侧重截面成员较少，而时期较长的数据；对于截面成员较多，时期较少的数据，一般通过具有面板结构的工作文件（Panel workfile）进行分析。　　2.混合数据库Pool的建立null 创建Pool对象，选择Objects/New Object/Pool…并在编辑窗口中输入截面成员的识别名称： (1)创建Pool对象 null 对截面成员的识别名称没有特别要求，但必须能使用这些识别名称建立合法的EViews序列名称。 在Pool中使用序列的关键是序列命名：使用基本名和截面识别名称组合命名。截面识别名称可以放在序列名中的任意位置，只要保持一致即可(2) Pool序列命名null(3)Pool序列概念 一个Pool序列实际就是一组序列, 序列名是由基本名和所有截面识别名构成的。Pool序列名使用基本名和“?”占位符，其中“?”代截面识别名。3.输入Pool数据null 建立好Pool对象以后，选择View/Spreadsheet（stacked data），EViews会要求输入序列名列表。null　　大多数情况下，不同截面成员的数据从上到下依次堆积，每一列代表一个变量,每一列内数据都是按年排列的。如果数据按年排列，要确保各年内截面成员的排列顺序要一致。生成新的序列生成新的序列打开原始pool数据，点击工具栏中的poolgenr键，在弹出的对话框中输入要生成的公式，如：cp?=consume?/p?,ip?=income?/p?null4.如何估计Pool方程 单击Pool工具栏的Estimate选项打开如下对话框： null（1）因变量 　　在因变量对话框中输入Pool变量或Pool变量表达式。 （2）估计方法 Fixed and Random下： Cross-secti（个体效应）有三个选项，分别表示无、固定和随机个体效应。 Period（时点效应）有三个选项，分别表示无、有固定和有随机时点效应。 Weights有五个选项，分别表示无加权、个体的GLS法、个体SUR法、时点GLS法和时点SUR法。 （3）估计设置 Method有两个选项：LS和TSLS Sample为样本区间。 null（4）解释变量 (1) Common:——此栏中输入的变量对所有截面成员有相同的系数，并用一般名称或Pool名称输出结果。 (2) Cross-section specific:——此栏中输入的变量对Pool中每个截面成员的系数不同。EViews会对每个截面成员估计不同的系数，并使用截面成员识别名后跟一般序列名，中间用“＿”连接进行标签。 (3) Period specific :——此栏中输入的变量对Pool中每个时期的系数不同。EViews会对每个时期估计不同的系数，并使用变量名后跟时期，中间用“＿”连接进行标签。nullnull二、面板数据模型形式设定检验null　　如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。　　EViwes估计方法：在主窗口中双击已建立的Pool数据库，在Pool窗口的工具栏中点击Estimate键，打开Pooled Estimation（混合估计）窗口，其选项如下图。 固定效应模型固定效应模型得出如下输出结果得出如下输出结果null相应的表达式是：(2.0) (79.7) 上式表示15个省级地区的城镇人均支出平均占收入的76%。null 若要查看方程，在结果输出窗口点View\Representations。要用模型进行模拟，点proc\Make Model，在出来的窗口中点Solve。 　　在结果输出窗口中点击View选Residuals/Table, Graphs, Covariance Matrix, Correlation Matrix功能可以分别得到按个体计算的残差序列表，残差序列图，残差序列的方差协方差矩阵，残差序列的相关系数矩阵。null　　个体固定影响变截距模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定影响模型。　　EViwes估计方法：在EViwes的Pooled Estimation对话框中的Cross-secti下拉菜单中选中Fixed。把c从Common coefficients窗口中删除，其余选项同上。个体固定影响变截距模型得出如下输出结果得出如下输出结果null相应的表达式为： (6.3) (55) 其中虚拟变量 的定义是： 15个省级地区的城镇人均指出平均占收入70%。从上面的结果可以看出北京市居民的自发性消费明显高于其他地区。null 固定效应模型分为三种：个体固定效应模型、时点固定效应模型和个体时点固定效应模型。如果观察得数据是对个体固定，则应选择个体固定效用模型。但是，我们还需作个体固定效应模型和混合估计模型的选择。所以，就要作F值检验。 相对于混合估计模型来说，是否有必要建立个体固定效应模型可以通过F检验来完成。 假设 H0：对于不同横截面模型截距项相同（建立混合估计模型）。SSEr 备择假设 H1：对于不同横截面模型的截距项不同（建立个体固定效应模型）。SSEu nullF统计量定义为： F=[( SSEr - SSEu)/(N+k－2)]/[ SSEu/(NT-N-k)] 其中，SSEr，SSEu分别表示约束模型（混合估计模型的）和非约束模型（个体固定效应模型的）的残差平方和（Sum squared resid）。非约束模型比约束模型多了N–1个被估参数。需要指出的是：当模型中含有k个解释变量时，F统计量的分母自由度是NT-N- k。通过对F统计量我们将可选择准确、最佳的估计模型。 null在作回归时也是四步： 第一步，先作混合效应模型： 在cross-section 一栏选择None ，Period也是None；Weights是cross-section Weights，然后把回归结果的Sum squared resid值复制出来，就是SSEr 第二步：作个体固定效用模型：在cross-section 一栏选择Fixed ，Period也是None；Weights是cross-section Weights，然后把回归结果的Sum squared resid值复制出来，就是SSEu null第三步：根据公式F=[( SSEr - SSEu)/(N+k－2)]/[ SSEu/(NT-N-k)]。计算出结果。其中，T为年数，不管我们的数据是unbalance还是balance看observations就行了，也即Total pool (balanced) observations:的值，但是如果是balance我们也可以计算，也即是每一年的企业数的总和。比如说我们研究7年，每一年又15个地区，则NT＝7×15＝105。K为解释变量的个数，不含被解释变量。 第四步，根据计算出来的结果查F值分布表。看是否通过检验。检验准则：当F> Fα(T-1, NT-T-k) , α=0.01,0.05或0.1时，拒绝原假设，则结论是应该建立个体固定效应模型，反之，接受原假设，则不能建立个体固定效应模型。 null接下来对本例用F统计量检验是应该建立混合回归模型，还是个体固定效应回归模型。 ： 。模型中不同个体的截距相同（真实模型为混合回归模型）。 ：模型中不同个体的截距项不同（真实模型为个体固定效应回归模型）。 F统计量定义为： null其中SSER表示约束模型，即混合估计模型的残差平方和，SSEU表示非约束模型，即个体固定效应回归模型的残差平方和。非约束模型比约束模型多了N-1个被估参数。 所以本例中： 所以推翻原假设，建立个体固定效应回归模型更合理。 null　　当利用面板数据研究拥有充分多个体的总体经济特征时，若利用总体数据的固定效应模型就会损失巨大的自由度，使得个体截距项的估计不具有有效性。这时可建立个体随机影响变截距模型。其Eviews实现见下图。个体随机影响变截距模型运行结果得运行结果得null相应的表达式是： 其中虚拟变量 的定义是： 固定效应模型和随机效应模型的设定检验--hausman检验固定效应模型和随机效应模型的设定检验--hausman检验众所周知，在回归模型 满足基本假设时，回归系数的ols估计量是BLUE估计，但是，当模型不满足“正交性假设” 时， 的OLS估计量不再是无偏的。同时，当模型不满足“同方差性假设” 时， 的OLS估计量不是有效的。null对于面板数据模型 令 如果不能满足回归假设 则个体随机效应模型系数的GLS估计量 是有偏的和非一致的。但是正交性并不影响个体固定效应模型系数的估计量 的性质，于是可以通过检验模型误差项与解释变量的正交性来解决面板数据回归模型设定问题。 null检验假设 显然，在拒绝零假设时，模型设定为固定应模型是可行的；否则，如果不能拒绝零假设时，模型应设定为随机效应模型。 接下来利用Hausman统计量检验应该建立个体随机效应回归模型还是个体固定效应回归模型。 ：个体效应与回归变量（ ）无关（个体随机效应回归模型） ：个体效应与回归变量（ ）相关（个体固定效应回归模型）分析过程如下分析过程如下null 由检验输出结果的上半部分可以看出，Hausman统计量的值是14.75，相对应的概率是0.0001，即拒接原假设，应该建立个体固定效应模型。 检验结果的下半部分是Hausman检验中间结果比较。个体固定效应模型对参数的估计值为0.697648，随机效应模型对参数的估计值为0.724528。两个参数的估计量的分布方差的差为0.000049。 综上分析，1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费和人金收入问题应该建立个体固定效应回归模型。人均消费平均占人均收入的70%。随地区不同，自发消费（截距项）存在显著性差异。