面板数据分析简要步骤与注意事项(面板单位根—面板协整—回归分析)

面板数据分析的简单步骤和注意事项(面板单位根-面板协整-回归分析)第一步：分析数据的平稳性(单位根测试)按照正常程序，面板数据模型需要在回归前检查数据的稳定性。李自爱曾经指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而且这些序列之间不一定直接相关。此时，这些数据的回归，尽管具有高的R平方，却没有实际意义。这种情况称为假回归或伪回归。他认为平稳性的真正含义是，在一个时间序列消除了常数均值(可视为截距)和时间趋势之后，剩余的序列是零均值，具有相同的平方差，即白噪声。因此，单位根检验有三种检验模式：趋势检验和截距检验，仅截距检验和不高于截距检验。因此，为了避免伪回归并保证估计结果的有效性，必须检查每个面板序列的稳定性。测试数据稳定性最常见的方法是单位根测试。首先，我们可以为面板序列绘制一个时序图，粗略观察时序图中代表变量的折线是否包含趋势项和/或每个观察值的截距项，从而为进一步的单位根检验模式做准备。单位根检验方法的文献综述：莱文和林(1993)很早就发现，在非平稳面板数据进展过程中，这些估计量的极限分布是高斯分布。这些结果也被应用于具有异方差的面板数据，并且建立了面板单位根检验的早期版本。后来，经过莱文等人(2002)的改进，提出了有限责任法检测面板单位根。Levin等人(2002)指出，这种方法允许不同的截距和时间趋势、异方差性和高阶序列相关性，并适用于中等维度的面板单位根检验(时间序列在25和250之间，横截面数在10和250之间)。Im等人(1997)也提出了测试面板单位根的IPS方法，但Breitung(2000)发现IPS方法对限制趋势的设置极其敏感，并提出了测试面板单位根的Breitung方法。Maddala和吴(1999)也提出了ADF-Fisher和PP-Fisher面板单位根检验方法。从上面的总结，我们可以知道，五种方法，有限责任公司，IPS，布雷顿，ADF-Fisher和PP-Fisher5，可以用于面板单元根检查。其中，有限责任公司-技术，顺酐-技术，综合方案-水，自动装置-燃料电池系统，聚丙烯-燃料电池系统，氢-Z分别指莱文。林初t*统计量，布里通t统计量，林佩兰新W统计量，ADF-费希尔卡方统计量，PP-费希尔卡方统计量，哈德利Z统计量，和莱文，林初t*统计量和布里通t统计量的原始假设是有一个共同的单位根过程，林佩兰新W统计量，ADF-费希尔卡方统计量和PP-费希尔卡方统计量的原始假设是有一个有效的单位根过程，而哈德利Z统计量的原始假设是没有共同的单位根过程有时，为了方便起见，仅使用两种面板数据单位根测试方法，即相同的根单位根测试LLC(Levin-Lin-Chu)测试和用于不同根单位根测试的Fisher-ADF测试(注意：ADF测试通常用于普通序列(非面板序列)的单位根测试方法)。如果单位根存在的最初假设在两个测试中都被拒绝，那么我们说序列是稳定的，否则它是不稳定的。如果我们使用T(趋势)来表示带有趋势项的序列，使用I(截距)来表示带有截距项的序列，使用TI来表示两个项，使用N(无)来表示没有截距项的两个项，那么我们可以根据从前面的时序图得出的结论在单位根检验中选择相应的检验模式。然而，基于时序图的结论毕竟是粗略的。严格来说，这些检查结构需要逐个检查。具体操作可以参考李子奈的说法：ADF测试由三个模型完成，从包含截距和趋势项的模型开始，然后只测试包含截距项的模型，最后测试不包含截距项的模型。此外，我们认为只有当三个模型的检验结果不能拒绝原始假设时，时间序列才是非平稳的，并且只要其中一个模型的检验结果拒绝零假设，时间序列就可以被认为是平稳的。此外，单位根测试通常从级别序列开始。如果有一个单位根，序列会经历一阶差分，然后继续测试。如果仍有单位根，则进行二阶甚至更高阶的差分，然后进行测试，直到序列稳定。我们记得，I(0)是零阶的单个整数，I(1)是一阶的单个整数，依此类推，I(N)是N阶的单个整数第二步：协整检验或模型修正案例1:如果基于单位根检验的结果表明变量是同阶的均匀性，那么我们可以进行协整检验。协整检验是检验变量之间长期均衡关系的一种方法。所谓协整是指如果两个或两个以上的非平稳变量序列，经过一定的线性组合后的序列是平稳的。此时，我们说这些变量序列之间存在协整关系。因此，协整的要求或前提是同一顺序的单一整合。但也有下面的宽限期声明：如果变量的数量超过两个，即解释变量的数量超过一个，解释变量的单整数阶不能高于任何解释变量的单整数阶。此外，当解释变量的单积分阶高于解释变量的单积分阶时，至少两个解释变量的单积分阶必须高于解释变量的单积分阶。如果只有两个解释变量，两个变量的单个整数顺序应该是相同的。换句话说，如果对两个或更多个具有不同单值序列的非平稳序列一起进行协整检验，那么一定存在一些低阶单值序列，即相对于高阶序列具有非常弱的波动(可能具有不同的波动幅度)的序列，它们对协整结果几乎没有影响，因此包含是不重要的。然而，相对高阶的序列，由于其大的波动，对回归残差的稳定性有很大的影响。因此，如果协整包含一些高阶单积分序列(但是如果所有变量都是高阶同阶的，它们在此时也被称为同调单积分，这是另一回事)，它们就不能被包含在协整检验中。协整检验方法的文献综述：(1)高锟(1999)，高锟和蒋(2000)提出了一种利用扩展的DF和ADF检验的检验面板协整方法。该方法的零假设是不存在协整关系，并利用静态面板回归的残差构造统计量。(2)Pedron(1999)在零假设是动态多元面板回归不存在协整关系的条件下，给出了七种基于残差的面板协整检验方法。与高锟的方法不同，佩罗尼的检查方法允许异质面板的存在。(3)Larsson等人(2001)发展了一种基于Johansen(1995)向量自回归似然检验的面板协整检验方法。这种检验方法是为了检验变量具有共同的协整等级。主要采用Pedroni法、Kao法和Johansen法。通过协整检验，表明变量之间存在长期稳定的均衡关系，方程的回归残差是稳定的。因此，原始方程可以在此基础上直接回归，此时的回归结果更加准确。此时，我们可能还想进一步对面板数据做格兰杰因果检验(因果检验的前提是变量协整)。然而，如果变量没有被协整(即，不具有相同的顺序和单一的积分)，格兰杰因果关系检验不能被执行，但是此时数据可以被首先处理。引用张晓东的原话，“如果y和x的阶数不同，就不能进行格兰杰因果检验，但可以通过差分得到同阶的单个整序列下面是对因果检验含义的简要介绍：这里的因果关系是从统计学的角度，即从概率或分布函数的角度来看的：在所有其他事件的发生是固定的条件下，如果一个事件x的发生和不发生对另一个事件y的发生概率有影响(如果随机变量是通过事件定义的， 那么分布函数也可以说)，并且这两个事件在时间上有一个序列(在a之前和b之后)，那么我们可以说X是Y的原因。考虑到最简单的形式，格兰杰检验使用F统计量来检验X的滞后值是否显著影响Y(在统计学意义上，Y的滞后值已经被综合考虑； 如果影响不显著，那么X不是Y的“格兰杰原因”；如果影响很大，那么X就是Y的“格兰杰原因”。同样，这也可以用来检查Y是X的“原因”，以及Y的滞后值是否影响X(已经考虑了X的滞后对X本身的影响)。Eviews似乎没有在POOL窗口中提供grangercauseitest，只提供unitrootest和协整测试。Eviews不能对面板数据序列进行格兰杰检验，格兰杰检验只能对序列组进行。换句话说，Eviews中的格兰杰因果检验是针对普通成对的。如果您想对面板数据中的一些复合序列进行因果测试，您也可以将相关序列导出到一个组中(在POOL窗口中进行分组)，然后重试。案例2:如果基于单位根检验的结果显示变量不具有相同的顺序和单位元，即面板数据中的一些序列是平稳的，而一些序列是不稳定的，则不能进行协整检验和对原始序列的直接回归。但此时不要担心，我们可以在保持变量的经济意义的前提下修改我们之前提出的模型，从而消除不稳定数据对回归的不利影响。例如，一些序列被区分，基于时间频率的绝对数据被改变为时间频率下的变化数据或增长率数据。这时，研究转向新的模式，但应该确保该模式具有经济意义。因此，通常没有必要对原始序列进行二阶差分，因为我们很难给出经济解释来改变数据或增长率数据。你称之为变化率吗？步骤3:面板模型的选择和回归面板数据模型的选择通常有三种形式：一个是集合回归模型。如果我们看看时间，不同个体之间没有显著差异。从横截面的角度来看，不同横截面之间没有显著差异，那么面板数据可以直接混合在一起，并且参数可以通过普通最小二乘法(OLS)来估计。一个是固定效果模型。如果模型的截距对于不同的部分或不同的时间序列是不同的，则可以通过向模型添加虚拟变量来估计回归参数。一个是随机效应模型。如果固定效应模型中的截距项包含横截面随机误差项和时间随机误差项的平均效应，且两个随机误差项服从正态分布，则固定效应模型成为随机效应模型。在面板数据模型形式的选择方法中，我们经常使用f检验来决定是选择混合模型还是固定效应模型，然后使用Hausman检验来决定是建立随机效应模型还是固定效应模型。检查后，我们还将知道选择哪种型号，然后我们将开始返回：在回归过程中，权重可以通过横截面权重的方式来选择，特别是当横截面的数量大于时间序列的数量时，这意味着不同横截面允许异方差。估计方法是PCSE(面板校正标准误差)。贝克和卡茨(1995)提出的PCSE估计方法是面板数据模型估计方法的创新。它能有效地处理复杂的面板误差结构，如同步相关、异方差、序列相关等。当样本量不够大时，它特别有用。这是我查阅各种资料后获得的面板数据的摘要。我最近一直在做一篇关于面板的实证论文。因此，我需要这一点，并欢迎大家继续扩大。只要是关于专家组，我就不太感激如何在Eviews6中更好地实施它。-*横截面的异方差性和序列的自相关性是使用面板数据模型时可能遇到的最常见问题。OLS可能会在此时扭曲结果。因此，为了消除这种影响，我国东部、中部和西部地区的分析将使用不相关回归(SUR)来估计方程。对于全国范围的估计，采用横截面权重，CSW)，因为横截面的数量大于时间序列的数量。*一般来说，面板数据可以通过固定效应和随机效应估计方法进行估计，即如果选择固定效应模型，则使用虚拟变量最小二乘法(LSDV)进行估计；如果随机效应模型被选择，可行的广义最小二乘法(FGLS)被用于估计(格林，2000)。它可以充分利用面板数据的优势，使估计误差最小化。是采用固定效应还是随机效应取决于豪斯曼检验的结果。*单位根检验：在时间序列分析中，研究人员会通过单位根检验来判断数据的稳定性，以避免伪回归问题。然而，对面板数据的关注较少。随着面板数据在经济领域的应用，面板数据的单位根检验逐渐受到关注。面板数据的单位根检验主要包括莱文法、林法、楚法(LLC检验)(1992、1993、2002)、林法、佩萨兰法、申法(IPS检验)(1995、1997)、马达拉法、吴法(MW检验)(1999)等。*协整检验：协整检验是检验变量之间长期均衡关系的一种方法。在对每个变量进行单位根检验后，如果所有变量都是同阶的单积分，则可以进行协整检验。面板协整检验理论还不成熟，仍处于不断发展的过程中。目前的方法主要是：(1)Kao(1999)、Kao和Jiang(2000)提出了一种利用扩展的DF和ADF检验检验面板协整的方法。该方法的零假设是不存在协整关系，并利用静态面板回归的残差构造统计量。(2)Pedron(1999)在零假设是动态多元面板回归不存在协整关系的条件下，给出了7个基于残差的面板协整检验。与高锟的方法不