面板数据的F检验,固定效应检验

1、.面板数据模型 (PANEL DATA)F 检验 , 固定效应检验1面板数据定义。时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据（panel data）也称时间序列截面数据（timeseries and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据示意图见图1。面板数据从横截面（cross section）上看，是由若干个体（entity,unit,individual）在某一时刻构成的截面观测值，从纵剖面（ longitudinal se

2、ction）上看是一个时间序列。面板数据用双下标变量表示。例如yi t ,i = 1, 2,N;t = 1, 2,TN表示面板数据中含有N个个体。 T 表示时间序列的最大长度。若固定t 不变， yi . , ( i = 1,2,N) 是横截面上的N个随机变量；若固定i 不变， y. t , (t = 1, 2,T) 是纵剖面上的 一个时间序列（个体）。图 1N=7 ， T=50 的面板数据示意图例如 1990-2000 年 30 个省份的农业总产值数据。固定在某一年份上，它是由 30 个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由

3、30 个个体组成。共有330 个观测值。对于面板数据yi t ,i = 1, 2,N; t = 1, 2,T 来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（ unbalanced panel data）。.c.注意： EViwes 3.1 、4.1 、 5.0 既允许用平衡面板数据也允许用非平衡面板数据估计模型。例 1（ file:panel02）：1996-2002 年中国东北、华北、华东15 个省级地区的居民家庭人均消费（不变

4、价格）和人均收入数据见表1 和表 2。数据是 7 年的，每一年都有 15 个数据，共 105 组观测值。人均消费和收入两个面板数据都是平衡面板数据，各有15 个个体。人均消费和收入的面板数据从纵剖面观察分别见图2 和图 3。从横截面观察分别见图4 和图 5。横截面数据散点图的表现与观测值顺序有关。图 4 和图 5 中人均消费和收入观测值顺序是按地区名的汉语拼音字母顺序排序的。表 1 1999-2002年中国东北、华北、华东15 个省级地区的居民家庭人均消费数据（不变价格）地区人均消费1996199719981999200020012002CP-AH（）3282.4663646.1503777.

5、4103989.5814203.5554495.1744784.364CP-BJ（）5133.9786203.0486807.4517453.7578206.2718654.43310473.12CP-FJ（）4011.7754853.4415197.0415314.5215522.7626094.3366665.005CP-HB（）3197.3393868.3193896.7784104.2814361.5554457.4635120.485CP-HLJ（）2904.6873077.9893289.9903596.8393890.5804159.0874493.535CP-JL（）2833.

6、3213286.4323477.5603736.4084077.9614281.5604998.874CP-JS（）3712.2604457.7884918.9445076.9105317.8625488.8296091.331CP-JX（）2714.1243136.8733234.4653531.7753612.7223914.0804544.775CP-LN（）3237.2753608.0603918.1674046.5824360.4204654.4205402.063CP-NMG（）2572.3422901.7223127.6333475.9423877.3454170.5964850

7、.180.c.CP-SD（）3440.6843930.5744168.9744546.8785011.9765159.5385635.770CP-SH（）6193.3336634.1836866.4108125.8038651.8939336.10010411.94CP-SX（）2813.3363131.6293314.0973507.0083793.9084131.2734787.561CP-TJ（天津）4293.2205047.6725498.5035916.6136145.6226904.3687220.843CP-ZJ（）5342.2346002.0826236.6406600.749

8、6950.7137968.3278792.210资料来源：中国统计年鉴1997-2003 。表 21999-2002年中国东北、华北、华东15 个省级地区的居民家庭人均收入数据（不变价格）地区人均收入1996199719981999200020012002IP-AH （）4106.2514540.2474770.4705178.5285256.7535640.5976093.333IP-BJ （）6569.9017419.9058273.4189127.9929999.70011229.6612692.38IP-FJ （）4884.7316040.9446505.1456922.1097279

9、.3938422.5739235.538IP-HB （）4148.2824790.9865167.3175468.9405678.1955955.0456747.152IP-HLJ （）3518.4973918.3144251.4944747.0454997.8435382.8086143.565IP-JL （）3549.9354041.0614240.5654571.4394878.2965271.9256291.618IP-JS （）4744.5475668.8306054.1756624.3166793.4377316.5678243.589IP-JX （）3487.2693991.49

10、04209.3274787.6065088.3155533.6886329.311IP-LN （）3899.1944382.2504649.7894968.1645363.1535797.0106597.088IP-NMG（）3189.4143774.8044383.7064780.0905063.2285502.8736038.922IP-SD （）4461.9345049.4075412.5555849.9096477.0166975.5217668.036.c.IP-SH （）7489.4518209.037 8773.100 10770.09 11432.20 12883.46 131

11、83.88IP-SX （）3431.5943869.952 4156.927 4360.050 4546.785 5401.854 6335.732IP-TJ （天津）5474.9636409.690 7146.271 7734.914 8173.193 8852.470 9375.060IP-ZJ （）6446.5157158.288 7860.341 8530.314 9187.287 10485.64 11822.00资料来源：中国统计年鉴1997-2003 。图 215 个省级地区的人均消费序列（纵剖面）图 315 个省级地区的人均收入序列（ file:4panel02）图 415 个

12、省级地区的人均消费散点图图 515 个省级地区的人均收入散点图（7个横截面叠加）( 每条连线表示同一年度15 个地区的消费值)( 每条连线表示同一年度15 个地区的收入值 )用 CP表示消费， IP 表示收入。 AH, BJ, FJ, HB, HLJ, JL, JS, JX, LN, NMG, SD, SH, SX, TJ, ZJ 分别表示省、市、省、省、省、省、省、省、省、自治区、省、市、省、天津市、省。15 个地区 7 年人均消费对收入的面板数据散点图见图6 和图 7。图 6 中每一种符号代表一个省级地区的7 个观测点组成的时间序列。相当于观察15 个时间序列。图7 中每一种符号代表一个年

13、度的截面散点图（共7 个截面）。相当于观察7 个截面散点图的叠加。图 6用 15 个时间序列表示的人均消费对收入的面板数据图 7用 7 个截面表示的人均消费对收入的面板数据（7 个截面叠加）.c.为了观察得更清楚一些，图8 给出和 1996-2002 年消费对收入散点图。从图中可以看出，无论是从收入还是从消费看的水平都低于市。2002 年的收入与消费规模还不如市1996 年的大。图 9 给出该 15 个省级地区1996 和 2002 年的消费对收入散点图。可见 6 年之后 15 个地区的消费和收入都有了相应的提高。图 8和 1996-2002 年消费对收入时序图图 91996 和 2002 年

14、 15 个地区的消费对收入散点图2面板数据的估计。用面板数据建立的模型通常有3 种。即混合估计模型、固定效应模型和随机效应模型。2.1混合估计模型。如果从时间上看，不同个体之间不存在显著性差异；从截面上看， 不同截面之间也不存在显著性差异，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。如果从时间和截面看模型截距都不为零，且是一个相同的常数，以二变量模型为例，则建立如下模型，yit = a +b1 xit +eit , i = 1, 2, N; t = 1, 2, T(1)a 和 b1 不随 i ， t 变化。称模型 (1) 为混合估计模型。以例 1 中 15 个地区 1

15、996 和 2002 年数据建立关于消费的混合估计模型，得结果如下：图 10.c.EViwes 估计方法： 在打开工作文件窗口的基础上，点击主功能菜单中的Objects键，选 NewObject功能，从而打开NewObject （新对象）选择窗。在Type of Object 选择区选择Pool（混合数据库），点击OK键，从而打开Pool （混合数据）窗口。在窗口中输入15 个地区标识 AH（）、 BJ（）、 、 ZJ（）。工具栏中点击Sheet 键，从而打开SeriesList （列写序列名）窗口，定义变量CP?和 IP? ，点击 OK键， Pool （混合或合并数据库）窗口显示面板数据。在

16、Pool 窗口的工具栏中点击Estimate键，打开Pooled Estimation（混合估计）窗口如下图。图 11在 Dependent Variable（相依变量）选择窗填入CP?；在 Commoncoefficients（系数相同）选择窗填入IP? ； Cross section specific coefficients（截面系数不同）选择窗保持空白；在 Intercept（截距项）选择窗点击Common；在 Weighting （权数）选择窗点击Noweighting。点击 Pooled Estimation（混合估计）窗口中的OK键。得输出结果如图10。相应表达式是= 129.6

17、313+0.7587 IPit(2.0)(79.7)2= 0.98,r = 4824588,t0.05 (103) = 1.99RSSE15 个省级地区的人均支出平均占收入的76%。如果从时间和截面上看模型截距都为零，就可以建立不含截距项的（a = 0 ）的混合估计模型。以二变量模型为例，建立混合估计模型如下，yit= b xit+e , i = 1, 2, N; t = 1, 2, T(2)1it对于本例，因为上式中的截距项有显著性（t = 2.0 >t 0.05 (103) = 1.99），所以建立截距项为零的混合估计模型是不合适的。.c.EViwes 估计方法：在Pooled Es

18、timation（混合估计）对话框中Intercept（截距项）选择窗中选 None，其余选项同上。2.2固定效应模型。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixedeffects regression model）。固定效应模型分为3 种类型，即个体固定效应模型（entity fixed effects regressionmodel）、时刻固定效应模型（time fixedeffects regressionmodel ）和时刻个体固定效应模型（ time and entity

19、 fixed effects regression model）。下面分别介绍。（1）个体固定效应模型。个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的， 但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型，表示如下，yit= bxit+g W + gW + gW +e, t = 1, 2, T(3)11 122NNit其中Wi =e , i = 1, 2, N; t = 1, 2, T，表示随机误差项。 y, xit, i = 1, 2, N; titit= 1, 2, , T 分别表示被解释变量和解释变量。模型（ 3

20、）或者表示为y1t = g1 + b1 x1t + e1t ,i = 1 （对于第 1 个个体，或时间序列），t = 1, 2,Ty2t= g + b x2t+ e2 t, i = 2 （对于第2 个个体，或时间序列）， t = 1, 2, T21.c.yN t = gN + b1 xN t + e N t ,i = N（对于第 N个个体，或时间序列），t = 1, 2,T写成矩阵形式，y1 = ( 1x1) + e1 = g1 + x1 b + e1y= ( 1x ) + e=g+ xNb +eNNNNN上式中 yi ，gi ， ei ，xi 都是 N1 阶列向量。 b 为标量。当模型中含有

21、k 个解释变量时， b 为 k1 阶列向量。进一步写成矩阵形式，= +b +上式中的元素1， 0 都是 T1 阶列向量。面板数据模型用OLS方法估计时应满足如下5 个假定条件：（1） E( e| x1, x2, xiT, a) = 0。以 x1, x2, xiT, a为条件的e 的期望等于零。itiiiiiiit（2） ( xi 1, x i 2, x iT ), (y i 1, y i 2, y iT ),i = 1, 2,N分别来自于同一个联合分布总体，并相互独立。（3） ( xit ,eit ) 具有非零的有限值4 阶矩。（4）解释变量之间不存在完全共线性。（5） Cov( eit e

22、is | xit , xis ,ai ) = 0,t 1 s。在固定效应模型中随机误差项eit 在时间上是非自相关的。其中xit 代表一个或多个解释变量。对模型（ 1）进行 OLS估计，全部参数估计量都是无偏的和一致的。模型的自由度是NT 1 N。.c.当模型含有k 个解释变量，且N很大，相对较小时，因为模型中含有k + N个被估参数，一般软件执行OLS运算很困难。 在计量经济学软件中是采用一种特殊处理方式进行OLS估计。估计原理是，先用每个变量减其组均值，把数据中心化（entity-demeaned），然后用变换的数据先估计个体固定效应模型的回归系数（不包括截距项），然后利用组均值等式计算截

23、距项。这种方法计算起来速度快。具体分3 步如下。（ 1）首先把变量中心化（ entity-demeaned ）。仍以单解释变量模型（ 3）为例，则有=gi + 1 + ,i=1,2,N(4)b其中 =， = ， = ,i = 1, 2,N。公式 (1) 、 (4) 相减得，( yit - ) =b1( xit -) + (eit - )(5)令( yit - ) =，( xit -) =， ( eit - ) =，上式写为=b+(6)1用 OLS法估计（ 1）、（ 6）式中的b1，结果是一样的，但是用（6）式估计，可以减少被估参数个数。（2）用 OLS法估计回归参数（不包括截距项，即固定效应）

24、。在 k 个解释变量条件下，把用向量形式表示，则利用中心化数据，按OLS法估计公式计算个体固定效应模型中回归参数估计量的方差协方差矩阵估计式如下，( )=(')-1(7)其中 =， 是相对于的残差向量。（3）计算回归模型截距项，即固定效应参数gi 。.c.=-(8)以例 1（ file:panel02）为例得到的个体固定效应模型估计结果如下：注意：个体固定效应模型的EViwes 输出结果中没有公共截距项。图 12EViwes 估计方法：在EViwes 的 Pooled Estimation对话框中Intercept选项中选Fixedeffects。其余选项同上。注意：（1）个体固定效应

25、模型的EViwes 输出结果中没有公共截距项。（2）EViwes 输出结果中没有给出描述个体效应的截距项相应的标准差和t 值。不认为截距项是模型中的重要参数。（ 3）当对个体固定效应模型选择加权估计时，输出结果将给出加权估计和非加权估计两种统计量评价结果。（4）输出结果的联立方程组形式可以通过点击View 选 Representations功能获得。（5）点击 View 选 Wald Coefficient Tests 功能可以对模型的斜率进行Wald 检验。（ 6）点击 View 选 Residuals/Table, Graphs, Covariance Matrix, Correlatio

26、n Matrix功能可以分别得到按个体计算的残差序列表，残差序列图， 残差序列的方差协方差矩阵，残差序列的相关系数矩阵。（7）点击 Procs 选 Make Model 功能，将会出现估计结果的联立方程形式，进一步点击Solve键，在随后出现的对话框中可以进行动态和静态预测。.c.输出结果的方程形式是= +x1t = 479.3 + 0.70x1t(55.0)= +x2t= 1053.2 + 0.70x2t(55.0)= +x15t=714.2 + 0.70x15t(55.0)R2 = 0.99,SSEr = 2270386,t 0.05 (88)= 1.98从结果看，、是消费函数截距（自发消

27、费）最大的3 个地区。相对于混合估计模型来说，是否有必要建立个体固定效应模型可以通过F 检验来完成。原假设 H0：不同个体的模型截距项相同（建立混合估计模型）。备择假设H1：不同个体的模型截距项不同（建立个体固定效应模型）。F 统计量定义为：= =(9)F其中 SSEr，SSEu分别表示约束模型（混合估计模型）和非约束模型（个体固定效应模型）的残差平方和。非约束模型比约束模型多了N-1 个被估参数。（混合估计模型给出公共截距项。）注意：当模型中含有k 个解释变量时，F 统计量的分母自由度是NT- N- k。用上例计算，已知SSEr = 4824588 ， SSEu = 2270386 ，F=7

28、.15.c.F0.05(14, 89)= 1.81因为 F= 7.15>F 0.05(14, 89)= 1.81，所以，拒绝原假设。结论是应该建立个体固定效应模型。（2）时刻固定效应模型。时刻固定效应模型就是对于不同的截面（时刻点） 有不同截距的模型。如果确知对于不同的截面，模型的截距显著不同，但是对于不同的时间序列（个体）截距是相同的，那么应该建立时刻固定效应模型，表示如下，yit = b1 xit +a1 + a2 D2 + aT DT +eit , i = 1, 2, N(10)其中Dt =eit ,i = 1, 2,N; t = 1, 2,T，表示随机误差项。yi t , x i

29、t ,i = 1, 2,N;t= 1, 2,T 分别表示被解释变量和解释变量。模型（10）也可表示为yi 1 =a1 + b1 xi 1 +ei 1,t = 1 ，（对于第1 个截面）， i = 1, 2,Nyi 2= ( a + a ) + bxi 2+ e , t = 2 ，（对于第2 个截面）， i = 1, 2, N121i 2y= (1 +a) +1x+e,t= ，（对于第T个截面），i=1,2,NiTTiTiT如果满足上述模型假定条件，对模型（2）进行 OLS估计，全部参数估计量都具有无偏性和一致性。模型的自由度是N T T-1。图 13EViwes 估计方法：在Pooled Es

30、timation（混合估计）窗口中的Dependent Variable（相依变量）选择窗填入CP?；在 Commoncoefficients（系数相同）选择窗填入IP?和虚拟变.c.量 D1997, D1998, D1999, D2000, D2001, D2002；在 Cross sectionspecificcoefficients（截面系数不同） 选择窗保持空白； 在 Intercept （截距项）选择窗点击Common；在 Weighting（权数）选择窗点击No weighting。点击 Pooled Estimation（混合估计）窗口中的OK键。以例 1 为例得到的时刻固定效应

31、模型估计结果如下：=1996 +xi 1 = 108.5057 + 0.7789xi 1(1.5)(74.6)= 1997 +xi 2 = 108.5057 +28.1273 + 0.7789xi 2(1.5)(0.4)(74.6)=2002 +xi 7 = 108.5057 -199.8213 + 0.7789xi 7(1.5)(0.4)(74.6)2= 0.9867,r = 4028843,t0.05 (97) = 1.98RSSE相对于混合估计模型来说，是否有必要建立时刻固定效应模型可以通过F 检验来完成。H0：对于不同横截面模型截距项相同（建立混合估计模型）。H1：对于不同横截面模型的

32、截距项不同（建立时刻固定效应模型）。F 统计量定义为：F= =(11)其中 SSEr，SSEu分别表示约束模型 （混合估计模型的）和非约束模型 （时刻固定效应模型的）的残差平方和。非约束模型比约束模型多了T-1 个被估参数。.c.注意：当模型中含有k 个解释变量时，F 统计量的分母自由度是NT- T- k。用上例计算，已知SSEr= 4824588 ， SSEu= 4028843 ，F=3.19F= 2.20.05(6, 87)因为 F= 3.19>F 0.05(14, 89)= 2.2，拒绝原假设，结论是应该建立时刻固定效应模型。（3）时刻个体固定效应模型。时刻个体固定效应模型就是对于

33、不同的截面（时刻点）、不同的时间序列（个体）都有不同截距的模型。如果确知对于不同的截面、不同的时间序列 （个体） 模型的截距都显著地不相同，那么应该建立时刻个体效应模型，表示如下，y=1x+1+22+ +11+22+ +,i=1,2, ,，=1,2,TititTTNNit(12)其中虚拟变量Dt =（注意不是从1 开始）Wi =（注意是从1 开始）e , i = 1, 2, N; t = 1, 2, T，表示随机误差项。 yi t, xit, ( i = 1, 2, N;itt = 1, 2,T) 分别表示被解释变量和解释变量。模型也可表示为y11= a+ g+b x11+ e ,t = 1

34、， i = 1 （对于第1 个截面、第1 个个体）11111y21 =a1 +g2 + 121 +21,t= 1 ，i= 2 （对于第1 个截面、第2 个个体）b xe.c.yN1 =a1 + gN +b1 xN1 +eN1,t = 1 ，i =N（对于第 1 个截面、第N个个体）y12= ( a + a ) + g+b x12+ e ,t = 2 ， i = 1 （对于第2 个截面、第1 个个体）121112y22=(1 +2) +g2 + 122 +22 ,t= 2 ，i= 2 （对于第2 个截面、第2 个个体）aab xeyN2 = (a1 + a2) + gN +b1 xN2 + eN

35、2,t = 2 ， i = N（对于第 2 个截面、第N个个体）y1T = ( a1 + aT) + g1 +b1 x12 + e1 T,t = T， i = 1 （对于第 T 个截面、第1 个个体）y2T= ( a + a ) + g+b x22+ e ,t = T， i = 2 （对于第 T 个截面、第2 个个体）1T212 TyNT= ( a + a ) + g+bxNT+ e , t = T，i =N（对于第 T个截面、第N个个体）1TN1NT如果满足上述模型假定条件，对模型（ 12）进行 OLS估计， 全部参数估计量都是无偏的和一致的。模型的自由度是NT N T。注意：当模型中含有k

36、 个解释变量时，F 统计量的分母自由度是 NT N - T- k+1。以例 1 为例得到的截面、时刻固定效应模型估计结果如下：图 14EViwes 估计方法：在Pooled Estimation（混合估计）窗口中的Dependent Variable（相依变量）选择窗填入CP?；在 Commoncoefficients（系数相同）选择窗填入IP?和虚拟变量 D1997, D1998, D1999, D2000, D2001, D2002；在 Cross sectionspecificcoefficients（截面系数不同）选择窗保持空白；在Intercept（截距项）选择窗中选Fixed ef

37、fects；.c.在 Weighting （权数）选择窗点击No weighting。点击 Pooled Estimation（混合估计）窗口中的 OK键。注意：（1）对于第1 个截面（ t =1）EViwes 输出结果中把 ( a1 + gi ), (i = 1, 2,N) 估计在一起。（2）对于第2,T 个截面（ t =1） EViwes 输出结果中分别把( a1 + at ), (t = 2,T)估计在一起。输出结果如下：= 1996 + x11 = 537.9627 + 0.6712 x11，（ 1996 年省）= 1996 + x21 = 1223.758 + 0.6712 x21，

38、（ 1996 年市）= 1997 + x11 = 98.91126 + 0.6712x11，（1997 年省）= 1997 + x21 = 98.91126 +1223.758 + 0.6712x21，（ 1997 年市）=2002 + +x15,7 = (183.3882 +870.4197) + 0.6712x15,1 ，（ 2002 年省）2= 0.9932,r = 2045670,t0.05 (83) = 1.98RSSE相对于混合估计模型来说，是否有必要建立时刻个体固定效应模型可以通过F 检验来完成。H0：对于不同横截面，不同序列，模型截距项都相同（建立混合估计模型）。H1：不同横截

39、面，不同序列，模型截距项各不相同（建立时刻个体固定效应模型）。F 统计量定义为：.c.F= =(13)其中 SSEr，SSEu分别表示约束模型（混合估计模型的）和非约束模型（时刻个体固定效应模型的）的残差平方和。非约束模型比约束模型多了N+T 个被估参数。注意：当模型中含有k 个解释变量时，F 统计量的分母自由度是NT- N- T- k+1。用上例计算，已知SSEr= 4824588 ， SSEu= 2045670 ，F=5.6F= 1.640.05(20, 81)因为 F= 5.6>F 0.05(14, 89)= 1.64，拒绝原假设，结论是应该建立时刻个体固定效应模型。（4）随机效应

40、模型在固定效应模型中采用虚拟变量的原因是解释被解释变量的信息不够完整。也可以通过对误差项的分解来描述这种信息的缺失。yit=1it+ eit(14)a + b x其中误差项在时间上和截面上都是相关的，用3 个分量表示如下。eit = u i + v t+ wit(15)其中 ui N(0,2表示截面随机误差分量；vt N(0,2su )sv ) 表示时间随机误差分量； wit N(0,2ui ，vt ， wit之间互不相关，各自分别不存在截面自sw ) 表示混和随机误差分量。同时还假定相关、时间自相关和混和自相关。上述模型称为随机效应模型。随机效应模型和固定效应模型比较，相当于把固定效应模型中

41、的截距项看成两个随机变量。一个是截面随机误差项（ui ），一个是时间随机误差项（vt ）。如果这两个随机误差项都服.c.从正态分布， 对模型估计时就能够节省自由度，因为此条件下只需要估计两个随机误差项的均值和方差。假定固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应，而且对均值的离差分别是ui 和 vt ，固定效应模型就变成了随机效应模型。为了容易理解，先假定模型中只存在截面随机误差项ui ，不存在时间随机误差分量（vt ），yit= a + b xit+ ( w + ui) = a + b xit+eit(16)1it1截面随机误差项ui 是属于第个个体的随机波动分量，并在整个时间围( t = 1,2,T) 保持不变。随机误差项ui ,wit 应满足如下条件：E(ui ) =0,E(wit ) = 02) =2,E(wits w22E(ui)= s u ,E( itj ) =0,包括所有的i,t,j。w uE(wit wjs ) =0,i1 j ,t1 sE(ui u j ) =0,i1 j因为根据上式有eit = wit + u i所以这种随机效应模型又称为误差分量模型（error component model）。有结论，E(eit ) = E(wit+uj