第十章 面板数据模型.ppt

1、面板数据模型,第一节 面板数据模型简介,一、数据的类型 Cross-sectional: observations on a number of agents/firms in moment in time Time series: observations taken at intervals over time Pooled cross-section: randomly selected observations taken in each time period Panel data: Observations on same cross-section of individuals

2、over time,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30个个体组成。共有330个观测值。,1.对于面板数据 ,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）。 2.面板数据集一般更倾向于横截面分析，它们的横截面宽，而调查时期通常很短，不同

3、调查单位之间的异质性（heterogenity）是分析的主要部分，通常也是核心关注点。,The Panel data structure,missing,General notation,N units in total,T waves in total,对Panel Data的分析是当前计量经济学文献中最有活力和创造性的主题之一。 使用面板数据模型有着很多优点： （1）控制个体效应 面板数据分析可以控制不可观测的地区特定效应和（或）时间特定效应，而普通的截面分析则不能，因而会得到有偏的结果； （2）减少多重共线性 Panel Data能够提供更多信息、更多变化性、更少共线性、更多自由度和更高

4、效率。 反观时间序列经常受多重共线性的困扰。并且当解释变量较多时，截面分析也会面临样本观测值太少以及严重的多重共线性问题； （3）Panel Data能更好地识别和度量纯时间序列和纯横截面数据所不能发现的影响因素，并能在一定程度上减少遗漏重要解释变量偏差。 如使用企业数据研究规模效应和技术变迁。 再如：使用面板数模据模型研究区域经济增长收敛 （4）相对于纯横截面和纯时间序列数据而言，Panel Data能够构造和检验更复杂的行为模型。 如变系数模型，参见论文短期波动对长期增长的效应。,二、面板数据模型特点：,面板数据模型的局限性： （1）模型设定错误与数据收集不慎引起较大偏差。 面板数据模型由

5、两维的数据构成，如果模型设定或数据收集不正确，将造成较大偏差，使估计结果与实际相差甚远。 （2）研究截面或平行数据时，由于样本非随机性造成观测值的偏差，从而导致模型选择上的偏差。 例如：研究不同人的收入（y）随时间推移与教育程度（X）的关系，如果实际研过程中使用了L线下面的样本，就会造成由于利用了非随机样本而导致估计的偏移。,图1,第二节 一般面板数据模型介绍,面板数据模型分析的基本框架是如下形式的回归模型：,为异质性或个体效应，其中zi包含一个常数项和一系列个体或组别变量， 比如可观测的各族、性别、居住地等，或者无法观测的家庭特征、个人在技 能或偏好上的异性等，所有这些变量都不随时间而变化。

6、,如果所有个体的zi 都可以观测到，那么整个模型可被视为一个普通线性 模型，并且最小二乘法来拟合。,面板模型可以考虑的各种情形有：,混合回归（pooled regression）:如果zi只包含了一个常数项，则普通最小二乘 法为共同的截距项和斜率提供了一致而又有效的估计值。,2. 固定效应（fixed effects）: 如果zi无法观测，但与xit相关，则作为遗漏变量的结 果之一， 的最小二乘估计有偏且不一致。 固定效应方法令 ,这个固定效应方法把 视为回归模型中每组各自不同的 常数项：,注：这里使用“固定”一词，指的是这一项不随时间而变化，并不是说它是非随机的。,3. 随机效应（rando

7、m effects）: 如果可以假定不可观测的个体异质性与所含变量无关， 则模型可以表示为：,这个模型可以最小二乘法一致（但非有效）估计一个线性回归模型，其干扰是 一个混合干扰。,这个随机效应方法规定 是一个类似于 的组别随机干扰，只不过对每一组， 只取一个值，而且每期都不变的进入回归 。,随机效应模型与固定效应模型的关键区别是：观测不到的个体效应是否包含与 模型回归元有关的因素，而不是这些效应是否随机。,4.随机参数模型（random parameters）: 随机效应模型可被视为一个包含随机常数项 的回时模型。若有足够多丰富的数据集，可以把这种思想推广到其他系也随不同个体 而随机变化的模型

8、中去，推广后的模型为：,其中： 是使不同个体的参数有所不同的随机向量。,第三节 固定效应模型估计方法,组内,组内,组,组,组内,组内,组,组,第四节 随机效应模型及其估计方法,注：随机效应模型或者写为：,干扰项,组内,组内,组,组内,组,第四节 模型的设定检验,1. Pooled OLS vs. Random effects,2. Pooled Ols vs. Fixed Effects (F 检验，见前),3Hausman检验（Random vs Fixed effects model）,第五节 面板数据模型的stata实现,例：我国29个地区 19912003年居民消费（cs）和城镇人均可

9、支配收入（yd）数据。 年份：year(1991-2003) Identity: id,Stata 8.0面板数据模型估计命令(help xt.),Stata 8.2命令： Xtreg., fe 固定效应模型 组内估计 Xtreg., be 固定效应模型 组间估计 Xtreg., re 随机效应模型 GLS估计 Xtreg., mle 随机效应模型 极大似然估计 Xi: xtreg .i.year, fe 双向固定效应模型 Xi: reg .i.id 固定效应模型LSDV估计,示例： tsset id year; /*pooled ols vs random effects*/; reg cs yd; xtreg cs yd, re; xttest0;/*BP test*