面板数据.ppt

面板数据 面板数据模型是同时使用截面数和时间序列数据的计量经济学模型武汉大学经济学系数量经济学教研室 实践教改项目组 编制 模型的主要结构为 其中N表示个体数 T表示时间序列个数 面板数据模型分为固定效应模型和随机效应模型 以下用一个例子来说明如何在eviews中估计面板数据模型 以下数据估计用于研究投资需求的面板数据模型 这些数据包括五家企业和三个变量的20年观测值的时间序列 数据说明 tq代表通用汽车 ks代表克莱斯勒 td代表通用电气 xw代表西屋 mg代表美国钢铁 则I tq代表通用汽车企业的投资 I ks代表克莱斯勒企业的投资 I td代表通用电气企业的投资 I xw代表西屋企业的投资 I mg代表美国钢铁企业的投资 其他的以此类推 表一 表示前一年末工厂存货和设备的价值 表二 表示前一年企业的市场价值 表三 表示投资 操作步骤为 1 建立1935年到1954年的一个工作文件 2 在object newobject中选择pool选项 并命名为I 其视图框如下 建立一个面板数据 命名 图一 或者用如下命令 poolI 选择Pool后得到一个对话框 在对话框中输入 TQ KS TD XW MG 具体的图示如下 五个个体的I的数据序列名称 I TO I KS I TD I XW I MG 图二 3 生成如下数据序列 I TQ I KS I TD I XW I MG并把这些数据序列的数据导入 导入方法和一般序列的导入方法一致 只是这里使用了特定的名称 4 同样的可以导入面板数据F和V 5 把所有的数据导入完成后 在图二中 点击Process estimate出现如下对话框 被解释变量名称 样本区间 模型的解释变量为常系数 模型的解释变量为可变系数 图三 图三的进一步解释 Intercept下面的选项代表截距的处理方式 None表示不包含截距项 Common表示截面单元有相同的截距 Fixedeffects与Randomeffects分别表示截距变动的确定效应和随机效应模型 Weighting下面表示估计的方法 eviews的默认项是Noweighting 表示不加权 Crosssectionweighting表示可行的广义最小二乘法 GLS 主要是为了减少截面数据造成的异方差影响 SUR表示同时对截面单元异方差性和时间相关性进行修正的GLS估计 并得到Park估计量 注意当样本数据中截面单元很多而时序数据很少时 这种方法通常是失效的 Iteratetoconvergence表示迭代知道收敛 6 选择方法后点击OK就可以得出估计结果 具体结果如下 如果系数对所有的个体相等 选择Commoncoefficients common Noweighting 则估计的结果为 分析 在这个模型中由于每个企业的的情况不尽相同 所以该面板数据模型可能存在横截面异方差性 并且可以检验出该模型的确存在横截面异方差性 对该模型采用加权估计 选择Commoncoefficients common Crosssectionweights 的结果为 分析 结果显示模型的估计系数更加显著 模型的回归标准误差和参数估计的标准误差都比没有加权时的结果要好 只是这两个方程存在严重的序列相关性 于是采用固定效应变截距模型进行估计 选择Commoncoefficients Fixeffects Crosssectionweights 其结果为 进一步分析 可以看出模型的整体回归标准误差和系数估计的标准误差得到明显的改善 并且序列相关性得到了一定程度的改善 D W 变大了 如果采用随机效应变截距模型进行模型估计 Commoncoefficients Randomeffects Noweighting 其结果为 分析和结论 可以从模型的估计结果中看出 整个模型的估计结果都得到了明显改善 并且 不存在序列相关性了 也就是说 投资 I 前一年企业的市场价值 F 前一年末工厂存货和设备的价值 V 之间的关系对每个企业来说都不相同 这也是可以理解的 因为每个企业