计量经济学（第2版）课件：面板数据模型

ECONOMETRICS

教学目的和要求了解面板数据模型及其一般形式掌握面板数据模型的EVIEWS软件实现掌握面板数据模型的检验和方法掌握面板数据模型的选择和参数估计掌握面板数据模型的三种分类0405010203课

程

内

容面板数据模型概述面板数据模型的检验案例分析面板数据模型的选择与估计03040102居民消费水平和收入水平不仅是国民经济与社会发展的重要表征指标，而且也是政府相关部门制定相关宏观经济政策的重要依据，两者之间存在着一定内在的联系。改革开放以来，随着经济发展，我国居民消费水平和收入水平均获得了显著提高，但两者之间的数量依存关系是否随着时间推移而发生动态变化？同时由于我国区域间的资源禀赋、经济发展水平、交通区位、历史文化等存在着非均衡性，那么区域间居民消费水平和收入水平之间的数量依存关系是否也具有差异性？在建立计量经济模型测度居民消费与收入之间数量关系时，传统上无论是采用时序数据还是截面数据均不能反映两者关系在时间上或空间上的差异，如何采用一种新的建模方法实现对上述两种差异的度量，从而可以利用建立的模型进行更为全面、系统的分析信息？本章介绍的面板数据模型可以达到上述目的。4

引子：

居民消费水平和收入水平之间的关系存在区域或动态差异性吗？11.1.1面板数据面板数据又称平行数据，是由时序数据(time

series

data)和截面数据 (cross

section

data)混合而成的数据(pool

data)。面板数据是具有三维 (个体、指标、时间)信息的数据结构。从横截面看，它是由若干个体在某时刻构成的截面观测值。从纵剖面看，是由若干时间序列(个体)所构成。面板数据用双下标变量yit

表示，i=1,2,…,N;t=1,2,…,T。它有分成如下两种类型：(1)平衡面板数据。不同截面个体的每个解释变量的时间长度T相同。数据组数NT，当N=1时，即为时序数据；当T=1时，即为截面数据。(2)非平衡面板数据。不同截面个体的每个解释变量的时间长度不相同。5

11.1

面板数据模型概述11.1.1面板数据例如2014-2019年我国31个

省、直辖市和自治区人均国内生产总值(元)数据为平

衡面板数据。(此处仅展示

15个地区的数据)11.1

面板数据模型概述时间指标个体611.1.2面板数据模型的一般形式设yit为被解释变量在横截面(个体)i和时间t上的数值，xjit为第j个解释变

量在横截面i和时间t上的数值，uit为横截面i和时间t上的随机误差项；bji为第i截面上的第j个解释变量的模型参数；ai为常数项或截距项，代表第i个体的影其中,N表示个体截面成员的个数，T表示每个截面成员的观测时期总数，k表示解释变量的个数。单方程面板数据模型的一般形式为：响；解释变量数为j=1,2,⋯k；截面数为i=1,2,⋯,N

；时间长度为t=1,2,⋯,T。yit

=ai

+

b1tx1it

+

b2tx2it

+⋯+

bktxkit

+uit

(i=1,2,⋯,N;t=1,2,⋯,

T)11.1

面板数据模型概述711.1.S

面板数据模型的一般形式k

×1系数向量，uit

为随机误差项，并且随机误差项满足零均值、同方差和序

列不相关(即相互独立)的假设。则单方程面板数据模型的矩阵表达形式如下：若记：xit

=(x1it,x2it,⋯,xkit)为1×k解释变量，bi

=(b1t,b2t,⋯bkt)为yit

=ai

+

xitbi

+uit

i=1,2,⋯,N;t=1,2,⋯,T11.1

面板数据模型概述811.1.3面板数据模型的分类1.按方程的截距和系数是否改变划分(1)混合回归模型该模型对于不同的个体或时间，模型的截距和变量系数均保持不变。(2)变截距模型yit

=

ai

+xitb

+

uit该模型表示在不同的个体之间存在个体影响，不存在结构影响。(3)变系数模型yit

=

ai

+xitbi

+

uit该模型表示不同的个体之间既存在个体影响也存在结构影响。9

yit

=a+xitb+uit

(ai

=aj

=a;bi

=bj

=b;i=1,2,⋯,N;t=1,2,⋯T)11.1

面板数据模型概述2.按反映个体或者时点差异的随机变量是否与解释变量x相关划分(1)固定效应模型10

yit

=xitb+ai

+uit

(i=1,2,⋯,N;t=1,2,⋯,

T)其中bi=(b1t,b2t,⋯bkt)，ai独立于uit并与xit相关。即cov(ai,uit)=0,cov(ai,xit)≠0

.(2)随机效应模型yit

=xitb

+

eit其中ai是随机的，独立于uit和xitcov(ai,uit)=0,cov(ai,xit)=0，cov(uit,

xit)=0。面板数据模型的详细分类可以用如下框图进行直观反映。eit

=ai

+uit

(i=1,2,⋯,N;t=1,2,⋯,T)11.1

面板数据模型概述113、按模型中是否包括滞后被解释变量分为静态面板模型和动态面板模型。面板数据模型进一步可以划分为静态面板和动态面板模型，

其中动态面板模型是相对于静态面模型而言的。动态面板模型是包含滞后被解释变量作为解释变量的模型。动态面板数据是在静态面板模型的基础上建立的。静态面板模型则是不包含滞后被解释变量作为解释变量的模型。11.1

面板数据模型概述1211.1.4面板数据模型的特点第一，它可以解决样本容量不足的问题。将不同横截面单元不同时间观察值的结合，可以增加样本容量和自由度。第二，有助于正确地分析经济变量之间的关系。减少解释变量之间的共线性，从而有利于得到更为有效的估计量。第三，它是对同一截面单元集的重复观察，能更好地研究经济行为变化的动态性。第四，它可以估计某些难以度量的因素对被解释变量的影响。通过设置虚拟变量对个别差异(非观测效应)进行控制，用来有效处理遗漏变量的模型错误设定问题。13

11.1

面板数据模型概述11.2.1面板数据模型的选择1.混合模型、变截距模型和变系数模型的选择——F检验法首先，建立假设，主要对以下两个假设进行检验。假设1的含义在于：变量系数在不同横截面(个体)上都相同，截距项是不相同的，实际上就是检验模型yit

=ai

+xitb+uit是否成立。假设2的含义在于：变量系数和截距项在不同的截面个体上都是相同的。实际上就是检验模型yit

=a+xitb+uit是否成立。假设2：H2:a1

=a2

=⋯=an;b1

=b2

=⋯=bn假设1：H1:b1

=b2

=⋯=

bn11.2

面板数据模型的选择和估计14其中，s1变系数模型的残差平方和，s2为变截距模型的残差平方，s3

为混合模型的残差平方和;T为时期长度;N为截面个体的个数;k为模型中的解释变量个数。11.2

面板数据模型的选择和估计H2的检验统计量为F2：H1的检验统计量为F1：其次，构建检验统计量15最后，进行判断。对比检验统计量的值和一定显著性水平下的临界值。和变系数模型的残差平方差异性较小，则不拒绝H2，应该选择混合回归模型；混合回归模型的残差平和的差异性较大，因此不能接受H2，需要在进一步检验判断H1是否成立；数模型间的残差平方和差异较小的值也会较小，则不拒绝H1，应选择变截距模型；变系数模型的残差平方和较大，两者间的差异性较大。因此应拒绝H1，选择变系数模型。16(1)若F2≤Fa

或者p≥a，接受H2。此时s3

−s1

的值较小，说明混合回归模型(2)若F2>Fa

或者p<a，拒绝H2。此时s3

−s1

的值较大，说明变系数模型和(3)若F1≤Fa

或者p≥a，接受H1。此时s2

−s1

的值较小，说明变截距和变系(4)若F1>Fa

或者p<a

，拒绝H1。此时s2

−s1

的值较大，说明变截距模型和11.2

面板数据模型的选择和估计2.固定效应模型、随机效应模型的选择——似然比检验、

Hausman检验(1)似然比检验似然比检验主要是为了检验是否存在固定效应。似然比检验的主要思想是：首先假设对一般模型加上约束条件，然后对无约束的模型做极大似然估计，最后对满足约束条件的模型进行估计。假设模型参数为F，参数的极大似然估计为，对应的似然函数值为。对加上约

束条件的模型的参数进行估计得到估计量，对应的似然函数值为。两个似然函数值差的检验就是对假设的检验。在构造统计量的时候采用两个估计值之间比值的形式。11.2

面板数据模型的选择和估计17(1)似然比检验检验的原假设和备择假设如下

：H0：存在随机效应H1：存在固定效应检验统计量为：

LR

~

X2

(k)进行判断：若LR>X

或者p

<，则拒绝H0，选择采用固定效应模型；若LR

或者p

，则接受H0，选择采用随机效应模型。X

2

211.2

面板数据模型的选择和估计18(2)Hausman检验Hausman检验是主要用于检验是否存在随机效应。Hausman检验的原假设与备择假设为：H0：个体影响与回归变量无关(即选择随机效应模型)H1：个体影响与回归变量相关(即选择固定效应模型)检验统计量为Wald统计量WW

=

[b

-

bˆ]'

-

1

[b

-

bˆ]~

X2

(k)其中，b为固定影响模型中回归系数中的估计结果，bˆ为随机影响模型中回归系数的估计结果。为两类模型中回归系数估计结果之差的方差，即=var[b

-bˆ]

。进行判断：若W

>或者p<a，则拒绝H0，选用固定效应模型；若W

共或者p>a，则接受H0，选用随机效应模型。19

Xa2Xa211.2

面板数据模型的选择和估计11.2.2面板数据模型的估计1.变截距模型的估计——固定效应变截距模型、随机效应变截距模型(1)固定效应变截距模型yit

=ai

+xitb

+uit

(i

=1,2,...,N;t

=1,2,...,T)并且假定

E(uit)

=

0,

var(uit)

=

,

cov(uit

,

xit

)

=

0

。如果截面个体影响可以通过截距项ai的不同来反映，且每个截面的个体的截距项前加上虚拟变量，则截距项ai就可当作是虚拟变量的系数。上式的向量形式为：Y

=

=

0：a1

+

e：a2

+

...+

0：aN

+

x：

b

+

u：uuxxe0000eN21N21321y：yyu211.2

面板数据模型的选择和估计20于是固定效应变截距模型可以改写成：yi

=

eai

+

xi

b

+

ui该模型也被称为最小二乘虚拟变量模型(LSDV)。利用普通最小二乘法可以得到参数ai和b的最优线性无偏估计为:

i

=

yi

一

cv

xi

;

cv

=

(xit

一

xi

)'

(xit

一

xi

)

(xit

一

x)'

(yit

一

yi

)

1一一

1其中:

xi

=

xit

,

yi

=

yit

,

xit

=

(xi,

t1,

xi,

t2

,…

,

xi,

tk)1根

k2111.2

面板数据模型的选择和估计且E(ui

)=0T根1

,E(ui

ui

'

)=GIT

,E(ui

u)=0T根T

(i

士j)j'u2|||||

|

|

|「1]1：L1」…

xi

,1k

]|…

xi

,2k

|

=

：|,

ui|

…

xi

,Tk

」T根kxi

,12xi

,22：

T2,「xi

,11|=

|xi

,21,

xi

|

：|T根1

Lxi

,T1「yi

1

]|yi

2

|

e

=其中：：|

,||

|

|

|LyiT

」T根1「ui

1

]|

|

|

||ui

2

|：

||LuiT

」T根1yi

=xi(2)随机效应变截距模型yit

=a

+x

itb

+vi

+uit

,i

=1,2,...,N,t

=1,2,...,T

，

其vi

中表示个体的随机影响。

对于上式模型具有如下的假定：①v

i

和xit

不相关；②

E(uit)

=

E(vi

)

=

0

；③

E(uitvj

)=0(i,j

=1,2,...,

N)；④

E(uitujs

)=0(i

j,t

s)；⑤E(vi

vj

)=0(i

j)

；⑥E(u)=,E(v)=

；v2i2u2it211.2

面板数据模型的选择和估计22为了分析简便，可以将随机效应变截距模型改写成如下形式：yit

=

it6

+

wit其中：it

=

(1,

xit

)1

(k

+1)

，6

=

(a,

b),

wit

=

vi

+

uit若令wi

=(wi

1

,wi

2

,...,wiT

)，w

=

(w1

,

w2

,

...,

wN

)则：①wit与xit

不相关；②E(wit)

=

0

；③E()=+,E(witwis

)=(t

s)；④

E(w

wi

)=IT

+ee'

=；⑤E(w'

w)NT

NT

=IN

=

V

；根据以上的假定条件可以得到，在xit确定时的yit方差为=+，和也称为成分方差，相应的随机效应变截距模型也称为方差成分模型。23v2u2v2u2y2v2u2i'v2v2u2wit211.2

面板数据模型的选择和估计采用广义最小二乘法(GLS)对随机效应模型进行估计。

当成分方差已知时简化后的模型中参数的GLS估计量为：bˆGLS

=

X~

_

1X~i

X~

Q_

1yi

其中：X~i

=

(

i

1

,

i

2

,

...,

iT

)'

；Q_

1

=

(IT

_

92

ee

')

；9

=

1

_

由于实际分析中，成分方差通常是未知，因此采用可行广义最小二乘估计法(FGLS)对模型进行估计，估计的步骤首先是求出成分方差的无偏估计，然后再进行OLS估计。首先，对原随机固定效应变截距模型两边同时对时间上求均值得yi

=

a

+

xi

b

+

vi

+

ui将上式与原式相减，得：yit

_

y

=

(xit

_

xi

)b

+(uit

_

ui

)采用Greene(1997)的G

和G

的无偏估计：24v2u21__

1i'2Qi'11.2

面板数据模型的选择和估计在简化的模型基础上又可以将其改写为：yi

=

i6

+

wi

'其中，i

=

(e,

xi

)

，在上式两边左乘业ˆ12

得到：业ˆ

-12

yi

=

业ˆ

-12

ea

+

业ˆ

-12

xi

b

+

业ˆ

-12

wi接着再对上式进行最小二乘估计即可得到待估参数的FGLS估计。25xx

(yit

-

yi

)

-

(xit

-

xi

)

u

(NT

-N

-k)得到成分误差的无偏估计以后，22进而可以得到e和矩阵

−

1/2的估计。11.2

面板数据模型的选择和估计装ˆ

2

=

(yi

-

-

xi

)

-

装22u2业ˆ

2

=

IT

-

ee

'))||uu1--1装ˆ19ˆ

=

1-

(T装ˆ

装ˆ

)12

uu2v2v

N

-(k

+1)T装ˆ

2

=

i

t2.变系数模型的估计——固定效应变系数模型、随机效应变系数模型(1)固定效应变系数模型①不同个体间随机误差项不相关的模型当不同横截面个体之间的随机误差项不相关时，即：E(ui

u)=0(i

j),

且E(ui

u)=i2I此时可以将模型分成对应于横截面个体的N个单方程，然后利用各横截面个体时间序列数据采用最小二乘法(OLS)估计分别估计出单方程中的参数。②不同个体之间随机误差项相关的模型当不同横截面个体的随机误差项之间相关时，

即：E(ui

u

)

=

ij

0(i

j)此时采用GLS方法估计会比OLS估计更有效。当协方差矩阵已知时，可直接得到参数的GLS估计。若协方差矩阵未知时，随机误差项协方差矩阵的构造较为困难，可以采用简单的方法：首先进行横截面上的单方程的OLS估计，用相应的残差估计值构造协方差矩阵的估计量，然后再进行GLS估计。26

j'i'j'11.2

面板数据模型的选择和估计(2)随机效应变系数模型yit

=

it6i

+

uit

,

i

=

1,

2,

...,

N,

t

=

1,

2,

...,

T

，其中it

=(1,xit

),6

=(ai

,b

)在随机影响变系数模型中，系数向量6i

为跨截面变化的随机向量，基本的模型设定为：6i

=6

+vi

,i

=1,2,...,N其中：6为截面变化的系数均值部分，vi

为随机变量，表示变化系数的随机部分，其服从如下假设：①

E(vi

)

=

0k+

1

；②E(

v

i

)

=〈

才

j

；③E(

'itv'j)

=

0(k+1)人(k+1)

,

E(viu'j)

=

0(k+1)人T

；④

E(u

iu'j)

=〈

Gi

jj

；0T人0T人2l((k+(k+(k+(k+(k+(k+(k+(k+(k+(k+(k+(k+(k+(k++1)+1)+1))1(k+(k+(k+人10(入kj'人(vi'i'11.2

面板数据模型的选择和估计27其中：Wi

=

{H

+

Gi2

(X~

X~i

)

1

}

1

/

{H

+

Gi2

(X~

X~，i

)

1

}

=

(X~

X~i

)

，1X~

yi=1i

i

i

i

T

,

k+1在H和已知时，很容易计算出参数的GLS估计量。而实际分析中，这两项几

乎都是未知的，因此需要采用可行广义最小二乘估计法(FGLS)对模型进行估计，即先利用数据求出未知方差的无偏估计，然后再进行GLS估计。28i21

Ni'i'i'i'则模型的矩阵形式可以改写为：y

=X~6

+

Dv

+u其中v

=(v1

,v2

,...,vN

)'

,X~

=(X~1

,X~2

,....,X~N

)T

(k+1)

，D

=diag(X~1

,X~2

,...,X~N

)NT

N

(k+1)同随机效应变截距模型类似，在上述假设下，如果(1NT)X~X~'

收敛于非零常数矩阵，则参数6的最优线性无偏估计是由下式给出的广义最小二乘估计。6ˆGLS

=[X~i

'

i

1X~i

]1

[

X~i'

i

1yi

]=Wi6i

=1

i

=1i

=1NNNN'11.2

面板数据模型的选择和估计

=X~

HX~'

+G2

I

H

=入Ii11.3.1面板数据的单位根检验面板数据单位根检验主要是用于检验面板数据的平稳性，以防止利用面板数据建模可能会出现伪回归的情况。面板数据单位根检验又分为两种：同质单位根检验和异质单位根检验。面板数据存在单位根的情形可以用如下表达式进行描述：yit

=

pi

yit

1

+

Xit6i

+

uit

，i

=

1,

2,

...,

N,

t

=

1,

2,

...,

Ti其中xit表示外生变量，其中包含每个个体的固定的影响和时间趋势。Ti表示第i个截面个体的观测时期数，pi表示自回归系数。且上式表示的是AR(1)过程，如果|pi|<1，则对应的序列为平稳序列；如果|pi|=1，则对应的序列为

非平稳序列。29

11.3

面板数据模型的检验所谓同质单位根，是指面板数据中各个横截面序列具有相同的单位根过程。同质单位根的检验方法有三种：LLC检验、Breitung检验以及Hadri检验。LLC检验基本步骤为：首先，建立检验假设。H0：面板数据中各截面数据序列具有一个相同的单位根，也就是

0H1

：各截面数据序列没有单位根，也就是

0其次，采用ADF检验法检验如下方程：pi

1其中1，pi

为第i个截面个体的滞后阶数。检验的第一步是确定好各个截面个体的滞后阶数pi

；然后从∆yit和yit−

1

中剔除yit−j

和外生变量的影响，通过标

准化求出代理变量。第二步利用得到的代理变量it

，it1分别为从∆yit和yit−

1

的代理变量，然后用it

it

1

it去估计参数a

。最后根据参数a的值进行判别。30j

yit

yit

1

ij

yit

j

Xi

t

uit同质单位根检验Breitung检验和LLC检验的思路相似，原假设都是面板数据中的各个截面序列数据存在一个单位根。检验步骤也相似，采用ADF的形式并利用代理变量来估计参数a

，进而对单位根进行检验，不同的地方在于Breitung检验和LLC检验∆yit和yit−

1

的代理变量的形式不同。Breitung检验是从∆yit和yit−

1

中剔除动态项∆yit−j的影响然后通过标准化再退势获得代理变量，然后按照LLC中的步骤进行单位根检验的判别。Hadri检验中原假设是面板数据中的各个截面序列数据都不含有单位根，

与Breitung检验和LLC检验有所区别。EViews9.0软件实现。在EViews

Pool对象的工具栏中，选择View/UnitRootTest/Testtype然后选择相应的LLC检验、Breitung检验以及Hadri检验。31

同质单位根检验异质单位检验方法允许面板数据中的各截面序列具有不同的单位根过程，也就是允许参数pi跨截面变化。在这种情况下，就需要对每个截面的序列进行单位根检验，并且根据各个截面检验的结果来构造相应的统计量。常用的方法有Im-Pesaran-Skin检验、Fisher-ADF检验和Fisher-PP检验。这三种方法的原假设和备择假设均相同。原假设H0：各个截面数据序列均含有单位根；备择假设H1：某些截面数据序列不含有单位根。异质单位根检验3211.3.1面板数据的协整检验协整检验是考虑变量间长期均衡的关系。如果两个或者多个非平稳变量序列，但其线性组合后的序列呈平稳性，则认为这些变量序列之间存在协整关

系。面板数据的协整检验方法可以分为两大类：一类是建立在Engle

and

Granger二步法检验基础上的面板协整检验，

具体方法主要有Pedroni检验法和Kao检验法；另一类是建立在Johansen协整检验基础上的面板协整检验。下面对每种检验方法进行简单的介绍。11.3

面板数据模型的检验33Pedroni检验从允许不同截面之间存在不同个体效应和趋势的协整检验出发，并考虑如下的回归形式：yit

=

ai

+

i

t

+

b1i

x1it

+

b2

t

x2

it

+

…

+

bkixkit

+

…

+

bKi

xKit

+

cit

，t

=

1,

2,

...,

T;

i

=

1,

2,

...,

N。t表示时期，i表示截面；假定y与x满足一阶协整，表示为I(1)。ai

,i

分别表示

各截面的确定效应和趋势效应。Pedroni检验的原假设是不存在协整关系，在原

假设下cit应为I(1)过程。然后再通过辅助回归的方式来判断cit是否为I(1)过程。cit

=

picit

1

+

uit

，t

=

1,

2,

...,

T;

i

=

1,

2,

...,

N。Pedroni检验利用一系列的方法构建不同的统计量来检验同一个原假设，H0

：不存在协整，即pi

=1。基于该原假设下的备择假设有两个：一个是所有的截面

i都有pi

=p<1；另一个是假设在所有的截面下pi

<1。在原假设下Pedroni检

验构造的统计量渐进服从正态分布。34

Pedroni检验Kao检验的思路和Pedroni检验较为相似，也是先构造回归然后再利用辅助回归的方法进行检验，不同之处在于Kao检验在第一步模型回归时不同。Kao检验

模型中只允许包含个体效应，且要求模型中外生变量的系数满足齐性的要求，也就是不同的截面个体外生变量的系数是一样的。以两变量为例，上述条件可表示如下：yit

=

ai

+

bxit

+

ityit

=

yit

1

+

uitx

=x

+

v进行辅助回归：it

=

pi

it

1

+

ritKao检验it

it1

it35将Fisher采用的多个个体独立检验结果来进行整体的联合检验的方法应用到面板数据的联合检验中，并与Johansen检验结合起来，即：先整合单个截面的Johansen

检验结果，然后得到检验整个面板数据的统计量。在不存在协整关系的原假设下，构造的检验统计量为：N其中，N表示截面的个数。EViews9.0软件实现。在Pool对象以及Panel工作环境组中进行检验，在Pool对象的对话框中，点击Views/Cointegration

Test/Test

type/Pedroni/Kao

(Engle-Grangerbased)可以实现Pedroni检验或者Kao检验。其中Kao检验和Pedroni检验区别只是在第一阶段回归中外生回归量只允许包含个体固定效应采用默认设置

。Johansen协整检验是在Test

type之后选择Fisher(combined

Johansen)来实现。36

Johansen检验=1ip

=-2log

pi

X2

(2N)11.4.1样本选取现选取2013-2019年中国东北、华北、华东15个省市区居民人均消费支出和人均可支配

收入数据。建立居民人均消费支出关于人均可支配收入的面板数据模型。11.4

案例分析371.建立工作文件在EViews中点击

File→New→workfile

。得出

Workfile.Create对话框，在Workfile.strueture.type下选择Dated-regularfrequency，在Date.specification框中Frequency的下拉箭头中选择Annual，接着输入Startdate和End.date信息后得图1。点

击OK后得图2，并且可以对工作文件进行命名。11.4

案例分析图2

38图12.建立合成数据库(pool)对象在图2的Workfile框中点击

Object→Newobject→Pool便

可得到图3，在选择区对新对象命名为CS如图4(用英文或拼音,初始显示为Untitled)，点击

OK按钮。图43911.4

案例分析图3在图5窗口中输入截面个体标识，本案例的截面个体标识为15个省份名称的英文大写字母缩写(用大写拼音或英文字母缩写)

。11.4

案例分析图5403.录入、编辑和调用数据(1)录入数据输入变量序列名在图5Pool窗口点击Sheet,出

现Series

List，在SeriesList下输入变量名，每个变量后都要加个“？”(占位符，表示截面个体)，而且两个变量名之间用空格隔开。本案例应该在

Series

List框中输入人均消费和人均收入两个变量，

分别用cp和ip表示，如图6所示。然后点击OK按钮

便会出现名称为CS的Poolworkfile窗口，点击

Edit+/-进行编辑，将Excel表格中的面板数据录入到Eviews中。最终录入数据的结果如图7所示。11.4

案例分析图64111.4

案例分析

(2)数据转换用“Order+/-”可作堆栈数据和非堆栈数据转换。堆栈数据是指数据是以截面个体为主体堆积，如图7，数据按照省份进行堆积，总计15个省份进行15次堆积；非堆栈数据是指数据是以时间为主体堆积，如图8，数据按照年份进行堆积，2013—2019以年为单位总计7年，进行7次堆积。图8图74211.4

案例分析

(3)冻结或编辑数据当数据录入后，为防止不小心触碰到鼠标或键盘导致数据改变，需单击“Edit+/-”选项进行冻结。冻结后，数据的显示背景为灰色，而且数据不能进行

编辑，如果需要对数据进行再次编辑，应再次点击“Edit+/-”进行解冻。(4)数据保存数据录入后应马上保存，单击Pool窗口下工具栏中的“Name”选项，在对话框中输入文件名(用英文或拼音表示)。(5)数据调取在工作文件主窗口点击合成数据对象名(如CS)

,再在Pool窗口点击view/spreadsheet

(stacked.data),在新的对话框中键入要读取的变量名，如图9所示。其中在图10中，点击不同选项，还可以完成如下任务：CrossSectionidengtifiers

(查看或修改截面个体名)、Descriptive.statistics

(描述

统计分析)、Unitroottest(单位根检验)、Cointegrationtest

(协整检验)。43

图104411.4

案例分析图911.4.2模型估计1.估计混合模型基本形式：

CPit

=

a

+

b

.

IPit

+

it

，(i

=1,…

,15,t

=2013,…

,2019)其中，a

为15个省市的平均自发消费倾向，b为边际消费倾向。在Pool窗口的工具栏中点击Estimate键，打开Pooled.Estimation

(混合估计)窗口如图11，在Dependent

variable框中放入被解释变量；在Common

Coefficients

(共同系数)

中放入解释变量和常数项；Estimation

method(估计方式)框下的Fixed.and.Random

(固定效应和随机效应)：分为Cross-section个体、Period时间和Weighs

(权数)三个小框。其中个体和时间下拉项又分3种情况：None表示混合模型，fixed表示固定效应模型，random表示随机效应模型。权数选择No

weights

(等权重估计)，Method

(方法)下拉有2个选项：LS-Least

Squares

(and.AR)(最小二乘法)、TSLS-Two-Stage.LeastSquares

(and.AR)(二阶段最小二乘法)，选择LS-Least

Squares

(and.AR)

项。完成合成数据模型定义对话框后，点击OK键。得出输出结果如图12。11.4

案例分析45图1146估计混合模型图12由图10可知，a的估计值为1455.769，b的估计值为0.648788，并且其对应的概率P值均为0.000，所以在1%的显著性水平下均拒绝原假设，所以参数估计显著。相应的表达式为：CPit

=1455.769+0.648788IPit(t

=4.876144)(69.03723)R2

=

0.978641

F

=

4766.

139

S3

=

1.49

108估计混合模型47

基本形式：CPit

=

ai

+

b

.

IPit

+

it

，(i

=1,…

,15,t

=2013,…

,2019)其中，为15个省市的平均自发消费倾向，用来反映省市间的消费结构差异；b为边际消费倾向。变截距模型又可以分为六种，在Pool窗口的工具栏中点击Estimate键，打开Pooled.estimation窗口,在Dependent

variable框中放入被解释变量cp？；在Regressorsand.AR()terms框下的Common

coefficients框中放入解释变量ip？；在Cross-section框中选择fixed表示个体固定效应模型、选择random表示个体随机效应模型，在Period框中选择fixed表示个体随机效应模型、选择random表示随机随机效应模型，Period框和Cross-section框同时选择fixed表示个体时点固定效应模型、同时选择random表示个体时点随机效应模型。下面以个体固定效应模型为例，估计变截距模型。具体操作见图13，

结果见图14。48估计变截距模型估计变截距模型图14图1349图14可知，a的估计值为3145.304，b的估计值为0.590944，并且其对应的概率P值均为0.000，

在0.01的显著性水平下均拒绝原假设，所以参数估计显著。因为估计的是变截距模型，所以斜率的值保持不变，截距项根据不同省份的数据发生改变，则相应的表达式为：(t

=8.851953)(49.32899)

2R

=

0.994085

F

=1166.150S1

=

35678144|〈

CP_JX

=-1667.374+3145.304+0.591收

IP_JX|GG_^_^_^_^_^__^PPPPPPPCCCCCCCJJPPPPPPPCCCCCCC估计变截距模型(^50

相关的固定影响变系数模型。变系数模型的操作是在Regressorsand.AR()terms框下的Cross-sectionspecific框中放入解释变量ip？,再根据要求选择fixed或者random选项。对于不同个体之间随机误差项不相关的固定影响变系数

模型，权数直接默认选择Noweights

，对

于不同个体之间随机误差项相关的固定影

响变系数模型，权数选项选择Cross-section-weights，目的是通过加权克服异方差。以不同个体之间随机误差项不相关的固定影响变系数模型为例，操作见图15。基本形式：CPit

=ai

+bi

.IPit

+it

，(i

=1,…

,15,t

=2013,…

,2019)其中，ai

为15个省市的平均自发消费倾向，bi

为边际消费倾向，两者用来反映省市间的消费结构差异。变系数模型也分为固定影响变系数和随机影响变系数模型两种类型。其中固定影响变系数模型又有：不同个体之间随机误差项不相关和不同个体之间随机误差项估计变系数模型图

1551由表1可知，a的估计值为2141.713，表格的第二列是每个省份对应的斜率b估计值，

表格的第4列为对应的t值，并

且由第五列可知，它们对应的

概率P值全部都为0.000，在0.01的显著性水平下均拒绝原假设，所以参数估计显著。因

为估计的是变系数模型，所以

斜率的值会发生改变，而且截

距项也会根据不同省份的数据

发生相应的改变。相应的表达

式为：表152估计变系数模型|

686收IPHB_〈

CP_JX

=-2131.355+2141.713+0.663收IP_JX|

GG_^_^_^_^_^__^PPPPPPPCCCCCCCLJLJ_28收IPJS28收IPJS28收IPJS28收IPJS28收IPJS28收IPJS28收IPJS_726收IPJL726收IPJL726收IPJL726收IPJL726收IPJL726收IPJL726收IPJL726收IPJL_0968收IPH0968收IPH0968收IPH0968收IPH0968收IPH0968收IPH0968收IPH0968收IPH_11收IPFJ11收IPFJ11收IPFJ11收IPFJ11收IPFJ11收IPFJ11收IPFJ_0收IPBJ0收IPBJ0收IPBJ0收IPBJ0收IPBJ0收IPBJ_760收IPAH760收IPAH760收IPAH760收IPAH760收IPAH760收IPAH760收IPAH760收IPAHPPPPPPPCCCCCCC图16由图16的结果可知，估计的固定影响变系数模型的调整后的R方值、F值以及S.E残差平方和分别为：R2

=

0.994085

F

=1166.150

S1

=

35678144估计变系数模型(

^5311.4.3模型选择检验1.混合模型、变截距模型、变系数模型的选择用上文运行结果可知：s1

=9898888,s2

=35678144,s3

=1490000002

S1

/[NT

-N(k

+1)]F

=

(149000000

-

9898888)

/[(15

-

1)(1

+

1)]

=

4967896.857

=

37.63982

9898888/[157-15(1+1)]

131985.173F0.05

(28,75)=1.63因为F2

=37.64>F0.05

(28,75)=1.63，所以拒绝假设H2,继续检验假设H1

。F

=

(S2-

S1)

/[