动态面板数据与Eviews操作

1、动态面板数据与 Eviews 操作面板数据与 Eviews 操作指南新浪微博：数说工作室一、面板数据简介二、静态面板数据及 Eviews 实现(1) 静态面板数据简介(2) EVIEWS 操作三、动态面板数据及 Eviews 实现(1)动态面板数据简介(2) Eviews 操作一、面板数据简介信息技术的发展使得数据越来越膨胀，传统的截面数据和时间序列已经不能全面刻画 经济的演变，在大数据背景下，同时分析比较横截面观察值和时间序列观察值的需求越来 越大。面板数据就是指既含有截面又含有时间序列的数据，分析比较这种数据的模型就是 面板数据模型。相对于一般的回归模型，面板数据模型不仅能够更好的识别和度

2、量单纯时间序列模型 和单纯横截面数据模型所不能发现的影响因素 , 而且可以克服多重共线性的困扰，能够提 供更多的信息、更多的变化、更高的自由度和更高的估计效率，减少共线性。因此，面板 数据可以更准确地刻画更为复杂的经济行为，具有更好的理论价值和应用价值。按照模型中是否含有滞后项，又分为静态面板数据和动态面板数据，本指南将分别简 介原理和 Eviews 操作方法。二、静态面板数据及 Eviews 实现(1) 静态面板数据简介一般的静态面板数据模型的一般形式如下：yyiiii=CC+bbxxiiii+vviiii, ii=11,NN, ii=11,TT 标， T 表示时间序列的长度。面板数据由于同

3、时含有了多个横截面数据，有时需要考 虑不同横截面个体存在的特殊效应，其误差项被设定为：vviiii=a a ii+eeiiii2)其中 a i 代表个体效应，反映了不同个体之间的差别。当个体效应为固定常数时，式(1)为固定效应模型，此时每个个体截面都有不同的截距项 a 1、 a 2.a n ，即其分布式与 X it 是有关的，反映了该个体的固定其中 C 为截距，v it为误差项，i为截面下标，N表示截面的个数，t为时间下效应，因此固定 效应模型又称为相关效应模型，严格说来，这个名字更加准确。固定效应模型的形式为：yyiiii=CC+bbxxiiii+a a ii+vviiii, ii=11,N

4、N, ii=11,TT (3) 用矩阵表示为：y 1 y 2 . y n即，1 0 0 00. 0 a 1 x 1 e 1 e 10a 2 x 2 卩 + 2 (4) + . 00 0. 1a N x n e nY=D a +x 3 +e (5)关的，因此随机效应相应又称为非相关效应模型，随机效应模型的形式为：当个体效应 a i 为随机变量时，式 (5) 为随机效应模型，此时其分布与 X it 是无对于这两种模型，最长采用的估计方法为虚拟变量最小二乘法和广义最小二乘法。(2) Eviews 实现1) 录入数据 yyiiii=CC+bbxxiiii+ a a ii+vviiii, ii=11,

5、NN, ii=11, , TT(6)以A、B、C、D四家银行，2000-2019年十年的面板数据为例(变量为 var1、 var2 )： 建立新的工作文件： File New Workfile； 选择 Dated-regular frequency ，填入开始年份( start date) 2000 和结束年份( start date )2019，点击 OK ； 右键 new object 选择 pool 点击 OK ； = 填写 Cross Section Identifiers 截面名： A 、 B 、 C 、 D ； 选择 view spreadsheet 输入变量名(注意变量名后面要带

6、？号)： var1? 、var2? 输入数据2) 单位根检验 各个变量必须同阶平稳，否则即使最终模型显著，也可能是 “伪回归”。 在 pool 界面选择 view unit root test在 pool series 中分别输入待检验的变量(后面要接？号)。 Level 、 1st different、 2nd different用来确定变量差分几阶，一般从 level零阶开始检验，到 1阶、2 阶。 根据变量是否有截距项、是否同时有截距和明显趋势项、都没有，来相 应选择 individual intercept 、 individual intercept and trend 、 none

7、 点击 OK ，出现结果，原假设是不平稳， P 值小于 0.05 时认为变量平稳3) 协整检验 在 pool 界面中选择 View cointegration test variables 中输入待检验 的变量，并选择截距情况 点击 OK ，出现结果， none 代表“有 0 个协整关系”、 at most1 为“至 多一个协整关系”拒绝 none则意味着至少有一个协整关系。4) 模型效应形式确定 此步中要检验模型是随机效应模型还是固定效应模型，思路是先建立随机效应模型，然后检验这种形式是否正确： 建立随机效应模型：POOL ESTIMATE。在dependent variable中填入因变量

8、，在右边填入自变量， cross-section 选择 radom 进行 Hausman 随机效应检验： View Fixed/Random Effects TestingCorrelated Random Effects - Hausman Test。原假设是应该建立随机效应模型，如果 P 值小于 0.05 ，则认为应该建立固定效应模型，否 则建立随机效应模型。5) 模型建立 如果单位根检验是同阶平稳的，协整关系存在，并确定了模型的形式(随机或固定)，则可以建立正式模型。 POOL ESTIMATE,选择自变量和因变量，并相应选择模型的形式，如果是固定效应 Fixed ，还可以选择不同的加权

9、方法，以使得结果更加显著。三、动态面板数据及 Eviews 实现(1)动态面板数据简介在现实社会中，很多经济关系是动态的，有时需要引入滞后项去解释这些经济关系。 动态面板数据模型，即面板数据模型的解释项中纳入被解释变量的滞后项，以反映动态滞 后效应。但滞后项与随即误差项组成部分的个体效应相关，会造成模型的内生性偏倚，本 节将重点介绍动态面板数据模型的形式和估计方法。 动态面板数据形式以模型中包含滞后一起的被解释变量为例，动态面板数据的基本形式为：yyiiii=aayyiiii- 11+bbxxiiii+ & & iiii, & & iiii=uuii+vviii

10、i (7)部分组成， u i 为个体效应， v it 为异质性冲击。从动态面板模型的形式看，右侧 的滞后项会与其个体效应相关，造成内生性问题，这使得 OLS 估计量是有偏和不一致的估 计量( Badi H.Baltagi ),Arellanod 等提出的基于工具变量的广义矩估计方法，可以减 弱内生性，得到一致的估计量。 广义矩估计GMM与静态面板数据的不同在于，解释变量引入了滞后项刀 y it ，其误差项也由两 广义矩估计的基本思想在总体未知的情况下，参数的矩估计就是用样本矩去估计总体矩。比如，可以通过样 本得到样本的两个矩： X (1) 和 X (2)1n (1)X y i X (2) 刀n

11、 i 1 并通过样本的两个矩来估计总体矩：?(1)M E (Y ) X (1)1 n 2y i (8)刀 n i 11n 2y i (9) 刀 n i 11n 刀 y i n i 1M(2)E (Y ) 2X (2)在进一步计算总体参数：10)(1)?(1)=?= 口 M E (Y ) =X = d 2=M (2)+(M (1) 2=X (2)+(X (1) 2这是用两个矩估计总体的两个参数，当选择的矩估计方程个数多于待估参数个数时， 广义矩估计方法应运而生：设样本的 r 个矩为 X (i), i =1,. , r，对应的有 r 个总体矩 M (i ) (b),i=1,. , r，为待估总体参

12、数 b 的函数，且 r 大于待估总体参数的个数，则最小二乘矩的参数? ： 估计量是使下式最小的参数估计量 br =?) =Q =(b i ) = (11) (b ) 2刀(X (i ) -M (=i =1= 此式中，有时会希望某些矩的作用大些，此时会用到加权最小二乘法。写成 =向量形式，记 X =(X(i),X (r ) ) T , M =(M(i ),M (r ) ) T ，则加权最小二乘可定义为：Q (b ) =(X -M ) T S -1(X -M ) (12)其中s就是关于(X-M )的协方差阵，参数 b的GMM古计就是使得 Q(b)达到?。 最小的 b 基于工具变量的广义矩古计如果模

13、型的设定正确，则存在一些为 0的条件矩。模型的广义矩古计的基本思想就是 用矩条件古计模型参数。设定以下模型关系式，其中 b 是 k*1 待古参数向量：y i =h (x i , b ) +e i i =1, n (13)如果解释变量与随机误差不相关、且随机误差项不存在异方差和序列相关，那么存在：n刀x e等价于 i =1ji i 0j 1, 2, , k (14)n刀xi =1ji (y i-h (X i , 卩)=0j =1,2, , k (15)这就是一组矩条件，由样本矩条件古计模型参数 b ，就是一种矩古计。当模型存在解释变量与随机误差相关时，有些矩条件就不存在了，那么需要找到一个 工具

14、变量 z ，使 z 与 e 无关：cov(z i , e i ) =016)定义 m (b )m(b) 还可以写成 e (y i , x i ; b ) y i -h (x i ; b ) Z T e (y i , x i ; b )(17) 1z i e (y i , x i ; b )刀 n i=1 z e n 刀 1i i i m 1(b ) 1z e () m b 2i i 2 n刀(18) m (b ) i . =.()m b k = 1 n刀 z ki e i i =用矩条件 m(b)=0 得出的参数估计量的方法，就是工具变量法。同时方程组?。工具变量法没有改变原模型，而是的解m(

15、b)=O，就是m (b ) T m(b)极小化时的b 在原模型的参数估计过程中用工具变量替代了随机解释变量。 Anderson -Hsiao 估计Anderson-Hsiao 将基于工具变量的广义矩估计方法引入动态面板数据模型，其估计 方法建立在式 (7) 一阶差分的基础上 :yyiiii -yyiiii -11=aa(yyiiii -11-yyiiii -22) +bb(xxiiii -xxiiii -11)+ && iiii - £ £ iiii -11(19)出使用y it -2或差分的滞后项y it -2-y it -3作为工具变量，它们与 y it

16、 -1-y it -2高度相关，但与随即误差项无关，从而消除了动态面板 数据模型的偏倚问题。 Arellano -Bover 估计Anderson 和 Hsiao 提出了将模型差分并引入滞后的解释变量，以解决模型的 y it -1-y it -2与随即误差e it - e it -1的相关性仍然无能为力。Anderson和Hsiao提由于& it =u i +v it，故差分可以消除内生性造成的个体效应u i ，但对等式右边内生性问题。但当遇到非平衡面板数据时，即数据存在缺失时，一阶差分变换会损失很多数据，不能充分有效的利用信息。 Arellano 和 Bover (1995)将“向前

17、正交离差转换法”引入到动态面板数据模型的估计中，该方法不是用本期值减去上期值，从而将模型 差分，而是用本期值减去未来 s 期观察值的平均值，即原模型变换为：1T y it -刀 m 1y it -m T等价于：? ? ? yyii ? ii=aayyiiii -11-bbxxiiii+eeiiii (21)TTyyii ? ii=yyiiii -刀mm=11yyiiii -mm (22) TTa (y it -1T +11T 1T ) () y -b x -x +e -刀it -n 刀it -k t T 刀p 2e it -p (20) it T n 2T k 1 其中，该方法不仅能够有效利用

18、数据，且在转换过程中没有用到滞后值，可以更有效的利用 工具变量。动态面板数据模型一般用 Sargan 检验法，原假设为模型过度约束正确，采用卡方检 验x 2(p-k)，其中p为工具变量的秩，k为变量个数。如果原假设通过，=则认为模型过度约束正确，否则认为模型过度约束不正确。 =(2)动态面板数据 Eviews 操作指南1) 数据录入注意：动态面板数据的录入方式与静态的不同！仍以 A 、B 、C 、D 四家银行， 2000-2019 年十年的面板数据为例(变量为var1、var2 )： 建立新的工作文件： File New Workfile ； 选择 Balanced Panel ，填入开始年份( start date ) 2000，结束年份( start date )2019 ，和截面数( number of cross section)4，点击 OK ； 建立变量：右键 new object 选择 series 输入变量名 var1 ； 输入数据2) 建立模型 在 workfile 截面右键 new object 选择 equation 输入模型名字，比如model1 。点击 OK