第十二章面板数据模型与混合横截面模型的估计

第十二章面板数据模型与混合横截面模型的估计面板数据模型简介面板数据模型的估计混合横截面模型面板数据单位根检验一、面板数据模型简介面板数据（paneldata）也称时间序列截面数据（timeseriesandcrosssectiondata）或混合数据（pooldata）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据模型能够同时反映变量在截面和时间二维空间上的变化规律和特征，具有纯时间序列数据和纯截面数据所不可比拟的诸多优点。二、面板数据模型的估计1、变截距模型根据对截面个体影响形式的不同设定，变截距模型分为固定效应变截距模型和随机效应变截距模型。（1）固定效应变截距模型固定效应模型假设模型中不随时间变化的非观测效应与误差项相关，固定效应模型的表达式如公式12-2所示。其中，i=1,2,…,N表示个体成员，t=1,2,…,T代表时间跨度。模型中不随时间变化的非观测效应与误差项相关。均值截距项在不同的截面成员时间是相同的，代表截面个体成员截距项，表示个体成员的截距对整体截距的偏离。对于固定效应模型，通常的处理方法是准差分处理后使用OLS估计方法或使用最小二乘虚拟变量法（LSDV）进行估计；如果其误差项不满足满足相互独立和同方差假定，则需要使用GLS进行估计。（2）随机效应变截距模型随机效应模型假设模型中不随时间变化的非观测效应与误差项相关，即随机效应模型的表达式如公式12-3所示。其中，i=1,2,…,N表示个体成员，t=1,2,…,T代表时间跨度。对于随机效应模型，虽然我们假定模型中不随时间变化的非观测效应与随机误差项不相关，但是由于的存在，同一个体不同时间的扰动项一般存在相关性问题。所以，对于随机效应模型，一般使用GLS进行估计。（3）模型形式设定检验——Hausman检验

Hausman检验用于确定选择固定效应模型还是随机效应模型。其原假设为：内部估计量（最小二乘虚拟变量法（LSDV））和GLS得出的估计量均是一致的，但是内部估计量不是有效的。因此在原假设下，内部估计量与GLS估计量之间的绝对值差距应该不大，而且应该随样本的增加而缩小，并渐进趋近于0。而在备择假设下，这一点不成立。Hausman利用这个统计特点建立了如公式12-4所示的检验统计量：Hausman检验统计量渐进服从于自由度为K的卡方分布。

案例12.1估计步骤：建立POOL对象估计随机效应模型进行Hausman检验，确定模型形式如果拒绝原假设，估计固定效应模型2、变系数模型变系数模型应用于不同个体的结构参数不同的情况，变系数模型的形式如公式12-5所示。其中，i=1,2,…,N表示个体成员，t=1,2,…,T代表时间跨度，变系数模型假定系数，…和截距在各截面个体成员之间均不相同。与变截距模型一样，变系数模型也分为固定效应和随机效应两种形式。案例12.2设置要点（1）在DepandentVariable输入框中输入待模型的被解释变量（2）在RegressorsandARterms选项组下的Cross-sectionspecifics输入框中输入解释变量名称。（3）选择估计形式。三、混合横截面模型如果我们认为一个面板数据在时间和截面个体之间均无显著性差异，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，这样的模型就是混合横截面模型，如公式12-5所示。其中，i=1,2,…,N表示个体成员，t=1,2,…,T代表时间跨度。模型设定的F检验和LR检验，用于确定需要建立混合横截面模型还是固定效应模型。F检验和LR检验的原假设为：相对于固定效应模型，混合横截面模型更有效。公式12-6和公式12-7分别给出了F检验和LR检验的检验统计量。案例12.3估计步骤1.估计固定效应模型2.进行F检验、LR检验的检验统计量和伴随概率的计算3.如果我们不能拒绝原假设，建立混合横截面模型进行估计四、面板数据的单位根检验案例12.4设置要点：（1）在Poolseries输入框输入检验变量名SR?（2）在Testtype下拉列表框中选择Summary选项，Tes