面板数据eviews应用资料课件

面板数据面板数据模型是同时使用截面数据和时间序列数据的计量经济学模型模型的主要结构为：其中N表示个体数，T表示时间序列个数，面板数据模型分为固定效应模型和随机效应模型各种模型的介绍：1）

斜率系数是常数，截距在个体间是变化的：2）斜率系数是常数，截距在个体间和时间上是变化的：

3）所有系数在个体之间均是变化的：

4）所有系数在时间上和个体之间均是有变化的：

面板数据模型可以构造和检验比单独用横截面数据或时间序列数据更现实的行为方程模型，但是由于面板数据包括两维的数据，如果模型设定不正确，则将造成较大的偏差。因此，在我们做任何推理之前得先确定模型的结构,且一般是利用协方差分析来确定模型的具体结构的。模型的设定三种类型的限制可以用于约束(5)式

我们假定参数在时间上是不变的，而在个体之间则是可能变化的。

：回归斜率系数是相同的，但是截距不相同，即：:回归截距是相同的，而斜率系数不相同，即：:斜率和截距系数都相同，即

因为在系数是不相同时询问截距是否相同是无意义的，因此我们将忽略(7)式假定的约束类型。我们将(5)式作为无约束模型，(6)式作为个体—平均相关回归模型，(8)式作为混合回归。记为个体的均值无约束模型(5)中和的最小方差估计为：在协方差估计分析中，该估计称为组内估计。其中

第i组的残差平方和为：无约束残差平方和为:模型(6)式参数的最小二乘估计为：

模型（6）的残差平方和为其中模型（8）式参数的最小二乘估计为：

其中

模型（8）式的残差平方和为：

给出的3个模型设定的原假设分别为：

，回归斜率系数是相同的，但是截距不相同，即

，回归斜率系数和截距都相同，即给定，给定斜率系数相同的条件下，截距相同，即固定影响模型和随机影响模型的选择通过以随机效应模型为原假设的Hausman检验值是否显著来判断是选择固定影响模型或随机影响模型。零假设为：模型是随机影响的其检验统计量为：服从的分布，其中k为解释变量的个数以下用一个例子来说明如何在eviews中估计面板数据模型。以下数据估计用于研究投资需求的面板数据模型，这些数据包括五家企业和三个变量的20年观测值的时间序列。tv_tqv_ksv_tdv_xwv_mg19352.810.597.81.853.8193652.610.2104.40.850.51937156.934.71187.4118.11938209.251.8156.218.1260.21939203.464.3172.623.5312.71940207.267.1186.626.5254.21941255.275.2220.936.2261.41942303.771.4287.860.8298.71943264.167.1319.984.4301.81944201.660.5321.391.2279.1194526554.6319.692.4213.81946402.284.834686232.61947761.596.8456.4111.1264.81948922.4110.2543.4130.6306.919491020.1147.4618.3141.8351.119501099163.2647.4136.7357.819511207.7203.5671.3129.7342.119521430.5290.6726.1145.5444.219531777.3346.1800.3174.8623.619542226.3414.9888.8213.5669.7表一表示前一年末工厂存货和设备的价值tF_tqF_ksF_tdF_xwF_mg19353078.5417.51170.6191.51362.419364661.7837.82015.85161807.119375387.1883.92803.37292676.319382792.2437.92039.7560.41801.919394313.2679.72256.2519.91957.319404643.9727.82132.2628.52202.919414551.2643.61834.1537.12380.519423244.1410.91588561.22168.619434053.7588.41749.4617.21985.119444379.3698.41687.2626.71813.919454840.9846.42007.7737.21850.219464900.9893.82208.3760.52067.719473526.55791656.7581.41796.719483254.7694.61604.4662.31625.819493700.2590.31431.8583.8166719503755.6693.51610.5635.21677.4195148338091819.4723.82289.519524924.97272079.7864.12159.419536241.71001.52371.61193.52031.319545593.6703.22759.91188.92115.5表二表示前一年企业的市场价值tI_tqI_ksI_tdI_xwI_mg1935317.640.2933.112.93209.91936391.872.764525.9355.31937410.666.2677.235.05469.91938257.751.644.622.89262.31939330.852.4148.118.84230.41940461.269.4174.428.57261.6194151268.3511348.51472.8194244846.891.943.34445.61943499.647.461.337.02361.61944547.559.5756.837.81288.21945561.288.7893.639.27258.71946688.174.12159.953.46420.31947568.962.68147.255.56420.51948529.289.36146.349.56494.51949555.178.9898.332.04405.11950642.9100.6693.532.24418.81951755.9160.62135.254.38588.21952891.2145157.371.78645.219531304.4174.93179.590.0864119541486.7172.49189.668.6459.3表三表示投资数据说明

tq代表通用汽车，ks代表克莱斯勒，td代表通用电气，xw代表西屋,mg代表美国钢铁，则I_tq代表通用汽车企业的投资，I_ks代表克莱斯勒企业的投资，I_td代表通用电气企业的投资，I_xw代表西屋企业的投资，I_mg代表美国钢铁企业的投资，其他的以此类推。操作步骤为：1，建立1935年到1954年的一个工作文件；2，在object/newobject中选择pool选项，并命名为I，其视图框如下：建立一个面板数据命名

图一或者用如下命令：poolI选择Pool后得到一个对话框，在对话框中输入：_TQ，_KS，_TD，_XW，_MG。

具体的图示如下:五个个体的I的数据序列名称：I_TO,I_KS,I_TD,I_XW,I_MG图二3，生成如下数据序列：

I_TQ，I_KS，I_TD，I_XW，I_MG

并把这些数据序列的数据导入。导入方法和一般序列的导入方法一致，只是这里使用了特定的名称。4，同样的可以导入面板数据F和V。

5，根据前面给出模型设定的公式，eviews3.0软件里的程序窗口编辑相应的程序，并运行该程序，得到F1=2.5619，F3=11.8418，F4=23.8895，因此在5％显著水平上接受H1，而拒绝H3和H4，记该模型应采用变截距模型：6，在图二中，点击Process/estimate出现如下对话框：被解释变量名称

样本区间

模型的解释变量为常系数

模型的解释变量为可变系数

图三图三的进一步解释Intercept下面的选项代表截距的处理方式，None表示不包含截距项，Common表示截面单元有相同的截距，Fixedeffects与Randomeffects分别表示截距变动的确定效应和随机效应模型。Weighting下面表示估计的方法，eviews的默认项是Noweighting，表示不加权，Crosssectionweighting表示可行的广义最小二乘法（GLS），主要是为了减少截面数据造成的异方差影响，SUR表示同时对截面单元异方差性和时间相关性进行修正的GLS估计，并得到Park估计量，注意当样本数据中截面单元很多而时序数据很少时，这种方法通常是失效的；Iteratetoconvergence表示迭代直到收敛。

7，选择方法后点击OK就可以得出估计结果。由上面的分析，现在可直接对固定影响模型进行模型估计（选择Commoncoefficients，Fixeffects，Crosssectionweights），其结果为：

采用随机效应变截距模型进行模型估计（Commoncoefficients，Randomeffects，Noweighting），其结果为：估计结果比较通过前面所说的hausman检验，可得出其检验统计值等于－64.9268，远小于显著水平为10％时的临界值，即。因此我们