面板数据回归分析ppt课件

第7章，面板数据回归分析，1，面板数据回归分析，7.1面板数据模型，7.1.1面板数据，7.1.2面板数据模型，7.2固定效应模型，7.2.1固定效应模型，7.2.2经济增加值7.2固定效应模型，2，面板数据回归分析，7.3随机效应模型，7.3.1随机效应模型，7.3.2经济增加值7.2随机效应模型，7.4固定效应还是随机效应？-Hausman测试7.4.1Hausman测试原理7 . 4 . 2 Hausman测试的重要概念使用EViews7.2，3，面板数据回归分析，7.1面板数据模型7.1.1面板数据7.1.2面板数据模型，4，7.1面板数据模型，7.1.1面板数据面板数据具有横截面和时间、横截面个体和观察周期两个维度，样本个体被表示为，如果比样本个体大得多，它们被称为短面板，本书仅讨论短面板。5，7.1面板数据模型、7.1.1面板数据视图存储面板数据：将数据从电子表格导入到非结构化/未标注日期的视图中)、6，7.1排列、6，7.1面板数据模型、7.1面板数据视图存储面板数据：单击工作文件界面上的按钮范围，在弹出的工作文件结构对话框的工作文件类型列中选择日期面板、7，7.1面板数据模型。7.1.1面板数据查看存储面板数据：在面板标识系列变量下的第一列横截面标识系列(横截面标识变量)中输入变量名dq(区域)，在第二列日期系列(日期标识变量)中输入变量名year:单击确定。数据按面板数据：8，7.1面板数据模型，7.1.1面板数据存储面板数据：9，7.1面板数据模型，7.1.2面板数据模型是个体异质性，不可观察假设1:10，7.1面板数据模型，7.1.2面板数据模型假设2:11，7.1面板数据模型，7.1.2面板数据模型，12，面板数据模型，不可观察个体异质性例7.1经济发展和污水排放例713、面板数据模型、固定效应模型和随机效应模型定义7.1固定效应和随机效应上述模型中的不可观测变量(1)与回归自变量相关，称为固定效应模型。(2)与回归自变量无关，称为随机效应模型。固定效应将被消除，随机效应将被放入误差项，然后探索方差结构。14，7.2固定效应模型估计，7.2.1固定效应模型估计7.2.2经济预测7.2固定效应模型估计，15，7.2固定效应模型估计，7.2.1固定效应模型估计核心是消除个体异质性变量OLS上述模型的估计称为固定效应估计，16，7.2固定效应模型估计，7.2.1固定效应模型估计例7.1经济发展和污水排放例7.2教育回报率如果使用普通的固定效应方法，教育变量将被消除，然而，如果采用教育变量和年份虚拟变量相乘的方法，则可以如下进行估计：17，7.2固定效应模型估计，7.2.1固定效应模型估计例7.2教育回报率定义此时虚拟变量相减不会消除教育变量，但此时表示相对于1980年教育对收入的影响。18、7.2固定效应模型估计、7.2.1固定效应模型估计FD估计(FirstDifference):其中，如果变量的值不随时间变化，则差分后的模型将同时消除变量，且无法估计相应的回归系数。FD估计导致变量方差减小，估计的参数方差较大，效率比有限元低。19，7.2固定效应模型估计，7.2.2 EViews操作估计固定效应模型例7.1使用EViews7.2:在工作文件界面中选择参与回归的变量，分组打开，在文件表界面中点击ProcMakeEquation，进入模型设置界面，完成模型设置。20、7.2固定效果模型估计、7.2.2估计固定效果模型的EViews操作示例7.1带EViews7.2:点击面板选项，进入面板数据模型设置界面。第一列选择固定效果，第二列选择无，第三列选择GLS时的横截面权重，第四列选择白色横截面，最后一列选择是否调整自由度，21，7.2固定效果模型估计，7.2.2电子设备视图的估计固定效果模型的操作示例7.1电子设备视图7.2:选择完成后单击确定，获得参数估计输出结果：22，7.2固定效果模型的估计， 7.2.2用经济增加值估算教育回报率7.2固定效应模型经济增加值的操作例7.2:为避免消除教育变量，采用虚拟变量与教育变量相乘作为新的自变量，去除不关心且不随时间变化的自变量(否则无法估算！ )，如种族变量为黑色，则根据上述运算，最终输出结果为：23，7.2固定效应模型估计，7.2.2固定效应模型估计用EViews7.2例7.2教育回报率EViews运算，24，7.3随机效应模型估计，7.3.1随机效应模型估计，7.3.2随机效应模型估计用EViews7.2，25，7.3随机效应模型估计，7.3.1随机效应模型估计假设随机效应与独立无关因此，关注的问题不再是内生性，而是如何提高估计的有效性，即探索复合误差项的方差结构。 26，7.3随机效应模型估计，7.3.1随机效应模型估计假设3:不可观测的异质性满足(1)独立性；(2)独立性；(3 ).27，7.3随机效应模型估计，7.3.1随机效应模型估计结论1:随机效应模型的复合误差项的性质如果误差项和面板数据模型的个体异质性满足假设1-假设3，那么它满足(1)对于任何和，它是不相关的；(2)任何款项。28，7.3随机效应模型估计，7.3.1随机效应模型估计上述模型不存在内生性，OLS估计是一致的，但它不满足不相关的假设，OLS估计不是最优估计，要获得最优估计，需要变换(练习7.6证明)OLS估计上述模型称为随机效应模型估计，29，7.3随机效应模型估计，7.3.1随机效应模型估计类似于固定效应估计。在固定效应下，随机效应模型估计30，7.3，随机效应模型估计7.3.1。随机效应模型首先估计随机效应。因此，首先有三种方法来估计和估计总和：斯瓦米-阿罗拉法、华莱士-侯赛因法和万比克-卡皮特恩法。第一种方法是常用的。31，7.3随机效应模型估计，7.3.2 EViews7.2随机效应模型数据导入、数据结构转换和模型设置与固定效应模型估计相同，除了在paneloption的横截面中选择了随机效应，以及和的估计方法，32，7.3随机效应模型估计，7.3.2使用EViews7.2估计随机效应模型的输出示例7.1，33，7.3随机效应模型估计，7.3.2使用EViews7.2估计随机效应模型自随机例7.2、例34、例7.3的回归结果随机效应模型估计，例7.2、例35、例7.4的回归结果固定效应还是随机效应？豪斯曼测试，7 . 4 . 1豪斯曼测试原理7.4.2豪斯曼测试用EViews7.2，36，7.4固定效应还是随机效应？豪斯曼检验，7 . 4 . 1豪斯曼检验原理比较随机效应和固定效应下的参数估计是否有差异。如果差异显著，则认为应采用固定效应(强优先级)；如果不是，则认为应该采用随机效应(效率优先)。豪斯曼检验构建的统计量只比较斜率系数。37、7.4固定效应还是随机效应？豪斯曼检验，7 . 4 . 1豪斯曼检验原理假设三个斜率参数的固定效应估计和随机效应估计分别为和。豪斯曼检验可以在整个模型上进行，例如，豪斯曼检验可以在具有、结构分布的单个参数上进行，例如：38，7.4固定效应还是随机效应？Hausman检验，7.4.2 Hausman检验，带EViews7.2首先进行随机效应模型估计，并在估计结果界面进行相应操作。在随机效果评估结果界面，点击【查看】【固定/随机效果测试】【相关随机效果-豪斯曼】，弹出如下测试结果：39，7.4固定效果还是随机效果？Hausman检验，7.4.2 Hausman检验与EViews7.2 Hausman检验需要检验固定效应模型，因此它不能包含不随时间变化的自变量(个体异质性除外)。因此，豪斯曼测试不能在例7.2中进行。40，重要概念，1。横截面上几个周期的观测值形成面板数据。由于这两个维度，面板数据比简单的横截面数据具有更复杂的结构，同时增加了样本量。2.面板数据模型包含不可观测的个体异质性，根据模型与自变量的关系，模型分为固定效应模型和随机效应模型。3.当面板数据模型与自变量相关时，称为固定效应模型。引入误差项会导致自变量的内生性，导致回归系数的OLS估计不是一致估计。为了估计固定效应模型，有必要消除它。固定效应估计方法使用从模型变量中减去组中平均值的方法。当重要概念与自变量无关时，面板数据模型称为随机效应模型。引入误差项不会导致自变量的内生性，回归系数的OLS估计是不一致的。随机效应估计方法的核心是利用复合误差项的特殊结构来更有效地估计回归系数。该随机效应估计方法首先对模型变量进行变换，从变量中减去权重系数