特选教程——eviews面板数据模型详解
Eviews面板数据模型估计
4361.555
3890.580 4077.961 5317.862 3612.722 4360.420 3877.345 5011.976 8651.893 3793.908 6145.622
4457.463
4159.087 4281.560 5488.829 3914.080 4654.420 4170.596 5159.538 9336.100 4131.273 6904.368
4571.439 6624.316 4787.606 4968.164 4780.090
4997.843
4878.296 6793.437 5088.315 5363.153 5063.228
5382.808
5271.925 7316.567 5533.688 5797.010 5502.873
6143.565
建立好Pool对象以后，选择View/Spreadsheet （stacked data），EViews会要求输入序列名列表。
大多数情况下，不同截面成员的数据从上到下依次堆积，每一 列代表一个变量,每一列内数据都是按年排列的。如果数据按年排 列，要确保各年内截面成员的排列顺序要一致。
生成新的序列
• 打开原始pool数据，点击工具栏中的poolgenr键，在 弹出的对话框中输入要生成的公式，如： cp?=consume?/p?,ip?=income?/p?
4.如何估计Pool方程
单击Pool工具栏的Estimate选项打开如下对话框：
（1）因变量 在因变量对话框中输入Pool变量或Pool变量表达式。 （2）估计方法 Fixed and Random下： Cross-secti（个体效应）有三个选项，分别表示无、固定和随机个 体效应。 Period（时点效应）有三个选项，分别表示无、有固定和有随机时 点效应。 Weights有五个选项，分别表示无加权、个体的GLS法、个体SUR法、 时点GLS法和时点SUR法。 （3）估计设置 Method有两个选项：LS和TSLS Sample为样本区间。
面板数据的联立方程模型在eviews中估计的详细图解
第一步:首先说明一下我的论文研究情景：1.时间：2006-20112.主题：资本监管对银行业的风险承担行为的影响（以工行，建行，中行，交行作为例子，4个cross sections）3.模型如下：dcap=c(1)+c(2)*drisk+c(3)*size+c(4)*roa+c(5)*riskt(-1)drisk=c(6)+c(7)*dcap+c(8)*size+c(9)*non+c(10)*capt(-1)有上面联立方程可以看出：dcap 和drisk 相互影响为内生变量size roa non riskt capt 为外生变量第二步：eviews6.0 实现过程：打开file-new-workfile按图操作：点击ok得到：点击object-new objectType选pool，ok：跳出的横框:Cross Section Identifiers 填入数据变量名称：（这是纵轴的）GSYHJSYHZGYHJTYH（前面提及的四大银行）然后点view-spreadsheet（stacked data）series list小框输入（这是横轴的变量名称）dcap drisk size roa non riskt capt点击edit+/- 手动输入数据或用import导入数据或粘贴复制进去也行：此时点object-new object，这次type选择system 用以联立方程分析：在system框内输入联立方程和工具变量：dcap=c(1)+c(2)*drisk+c(3)*size+c(4)*roa+c(5)*riskt(-1)drisk=c(6)+c(7)*dcap+c(8)*size+c(9)*non+c(10)*capt(-1)inst dcap drisk size roa non riskt(-1) capt(-1)点右上方的estimate，method选择TSLS(两阶段最小二乘估计)：整个过程就是先建立workfile再建立panel data最后建立联立方程systemTSLS估计即可。
Eviews：面板数据模型
3个变量：
要创建Pool对象，选择Objects/New Object/Pool…并在编 辑窗口中输入截面成员的识别名称：
对截面成员的识别名称没有特别要求，但必须能使用这 些识别名称建立合法的EViews序列名称。此处推荐在每个识
别名中使用“_”字符，它不是必须的，但把它作为序列名的
一部分，可以很容易找到识别名称。
指标）信息的数据结构称为时间序列/截面数据，有的书 中也称为平行数据或面板数据（ panel data ）。我们也 称这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。
经典线性计量经济学模型在分析时只利用了时间序列/截 面数据中的某些二维数据信息，例如使用若干经济指标的时间 序列建模或利用横截面数据建模。然而，在实际经济分析中， 这种仅利用二维信息的模型在很多时候往往不能满足人们分析 问题的需要。例如，在生产函数分析中，仅利用横截面数据只 能对规模经济进行分析，仅利用混有规模经济和技术革新信息 的时间序列数据只有在假设规模收益不变的条件下才能实现技 术革新的分析，而利用时间序列/截面数据可以同时分析企业 的规模经济（选择同一时期的不同规模的企业数据作为样本观 测值）和技术革新（选择同一企业的不同时期的数据作为样本 观测值），可以实现规模经济和技术革新的综合分析。 时间序列/截面数据含有横截面、时间和指标三维信息， 利用时间序列/截面数据模型可以构造和检验比以往单独使用 横截面数据或时间序列数据更为真实的行为方程，可以进行更 加深入的分析。正是基于实际经济分析的需要，作为非经典计 量经济学问题，同时利用横截面和时间序列数据的模型已经成 为近年来计量经济学理论方法的重要发展之一。
(一)创建Pool对象 在本讲中，使用的是一个研究投资需求的例子值的时间序列：
eviews关于面板数据模型截距,系数,固定效应还是随机效应的选取得检验方法及具体事例
面板数据模型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（time series 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 section）上看是一个时间序列。
面板数据用双下标变量表示。
例如y i 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，y i ., ( 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1 N=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30个个体组成。
共有330个观测值。
对于面板数据y i 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）。
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。
详细的EVIEWS面板数据分析操作
详细的EVIEWS面板数据分析操作引言EVIEWS是一款专业的经济统计软件，广泛应用于经济学和金融领域的数据分析和建模。
EVIEWS提供了丰富的面板数据分析功能，可以帮助用户进行面板数据的处理、描述统计、回归分析等操作。
本文将详细介绍EVIEWS中面板数据分析的操作流程和常用功能。
EVIEWS面板数据的导入首先，我们需要将面板数据导入到EVIEWS中进行分析。
EVIEWS支持多种数据格式的导入，包括Excel、CSV、数据库等。
在导入面板数据时，需要保证数据具有正确的格式，例如面板数据应包含个体（cross-sectional）和时间（time-series）的维度，且面板数据的变量应按照一定的顺序排列。
在导入面板数据后，我们可以利用EVIEWS提供的数据操作命令对数据进行处理和调整。
例如，可以通过group命令将数据按照个体或时间进行分组，通过sort命令对数据进行排序，以便后续的面板数据分析。
面板数据的描述统计分析在面板数据导入并处理完毕后，我们可以进行面板数据的描述统计分析。
EVIEWS提供了丰富的统计功能，可以计算面板数据的平均值、标准差、相关系数等指标。
下面介绍几个常用的描述统计功能：1.summary命令：该命令可以计算面板数据每个变量的平均值、标准差、最大值、最小值等统计指标，并输出到EVIEWS的结果窗口中。
2.correlation命令：该命令可以计算面板数据各变量之间的相关系数矩阵，并输出到结果窗口中。
3.tabulate命令：该命令可以对面板数据进行交叉分组统计，例如计算变量A在变量B的每个取值下的频数和比例。
通过对面板数据进行描述统计分析，可以初步了解数据的分布特征和变量间的关系，为后续的面板数据分析提供基础。
面板数据的回归分析除了描述统计分析，EVIEWS还提供了面板数据的回归分析功能。
通过面板数据回归分析，可以探究变量间的因果关系和影响程度。
下面介绍两个常用的回归分析命令：1.panel least squares（PLS）命令：该命令可以进行面板数据的最小二乘回归分析。
Eviews12章面板数据(Panel Data)模型
EViews统计分析基础教程
二、Pool对象的基本操作
3.Pool对象数据的分析
打开 Pool 对象窗口，选择工具栏中的 “ View”|“Descriptive Statistics…”选项，得到下图所示的对话框。
EViews统计分析基础教程
二、Pool对象的基本操作
3.Pool对象数据的分析
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
对于堆积形式的数据可以采用手动方式输入，也可以采用 Pool对象中的数据导入方式输入。但要注意的是，数据必须 是平衡的，如果采用导入方式，则源文件中截面成员的排列 顺序与Pool对象中的截面成员标识名称的顺序要保持一致。 对于截面成员堆积数据，每个截面成员的样本期应该是一致 的；对于时期堆积数据，每个时期必须包含相同数目的截面 成员，并且排列顺差应该是一致的。当观测值为空值（NA） 时，应用“–”代替，以保证数据总体结构平衡。
一、Panel Data模型原理
分类： 通常情况下，可将面板数据模型分为三类： 变截距模型：当模型中系数向量 i t相同即均为，而截距 项 i t是不同时，则应建立变截距模型； 变系数模型：当模型中系数向量 i t和截距项 i t均发生变 化时，则应建立变系数模型； 截距和系数均不变的模型：当模型中系数向量 i t和截距项 i t均相同时，即同为 和，则应建立截距和系数均不变的 模型。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
（1）堆积数据 在“Series order”中指定数据的排列方式，“In Columns”为 纵向排列，“In Rows”为横向排列。在“Group observations” 中指定数据堆积形式，“By Cross-section” 为按截面成员堆 积，“By Date”为按时期堆积。在“Upper-left data cell”的编 辑 栏 中 指 定 EXCEL 工 作 表 中 数 据 的 起 始 单 元 格 。 在 “ Ordinary and Pool” 的编辑栏中输入序列名称，例如， I? M? 。如果输入的系列名是 Pool 序列名， EViews 软件会用截 面成员的标识名称创建序列或命名序列；如果是普通序列名， 则会创建单个序列。其他各项内容的设定与第三章介绍的数 据导入相同。设定好各项内容后单击“OK”按钮就完成了数 据的读入。
eviews面板数据模型详解
1.已知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（cp，不变价格）和人均收入（ip，不变价格）居民，利用数据（1）建立面板数据（panel data）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。
年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表9.1，9.2和9.3。
表9.1 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（元）数据人均消费1996 1997 1998 1999 2000 2001 2002CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68CONSUMEHB 3424.35 4003.71 3834.43 4026.3 4348.47 4479.75 5069.28CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32CONSUMELN 3493.02 3719.91 3890.74 3989.93 4356.06 4654.42 5342.64CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88CONSUMESD 3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32CONSUMESH 6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464CONSUMESX 3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96CONSUMETJ 4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96CONSUMEZJ 5764.27 6170.14 6217.93 6521.54 7020.22 7952.39 8713.08表9.2 1996—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（元）数据人均收入1996 1997 1998 1999 2000 2001 2002INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.8 6032.4INCOMEBJ 7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92INCOMEFJ 5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36INCOMEHB 4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68INCOMEHLJ 3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56INCOMEJL 3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16INCOMEJS 5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64INCOMEJX 3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64INCOMELN 4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52INCOMENMG 3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051INCOMESD 4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36INCOMESH 8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8INCOMESX 3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36INCOMETJ 5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56INCOMEZJ 6955.79 7358.72 7836.76 8427.95 9279.16 10464.67 11715.6表9.3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数物价指数1996 1997 1998 1999 2000 2001 2002PAH 109.9 101.3 100 97.8 100.7 100.5 99PBJ 111.6 105.3 102.4 100.6 103.5 103.1 98.2PFJ 105.9 101.7 99.7 99.1 102.1 98.7 99.5PHB 107.1 103.5 98.4 98.1 99.7 100.5 99PHLJ 107.1 104.4 100.4 96.8 98.3 100.8 99.3PJL 107.2 103.7 99.2 98 98.6 101.3 99.5PJS 109.3 101.7 99.4 98.7 100.1 100.8 99.2PJX 108.4 102 101 98.6 100.3 99.5 100.1PLN 107.9 103.1 99.3 98.6 99.9 100 98.9PNMG 107.6 104.5 99.3 99.8 101.3 100.6 100.2PSD 109.6 102.8 99.4 99.3 100.2 101.8 99.3PSH 109.2 102.8 100 101.5 102.5 100 100.5PSX 107.9 103.1 98.6 99.6 103.9 99.8 98.4PTJ 109 103.1 99.5 98.9 99.6 101.2 99.6PZJ 107.9 102.8 99.7 98.8 101 99.8 99.1（1）建立面板数据工作文件首先建立工作文件。
计量学教程及eviews实现面板数据模型的分析
二、一般面板数据模型介绍
符 号 介 绍 ： yit — — 因 变 量 在 横 截 面 i 和 时 间 t 上 的 数 值 ；
x
j it
——第 j 个解释变量在横截面 i 和时间 t 上的数值；
假设：有 K 个解释变量，即 j 1,2,, K ；
有 N 个横截面，即i 1,2,, N ；
时间指标 t 1,2,,T 。
ˆ
2 ˆ w
s 2 ( X P D X ) 1
s2
ˆ
2 ˆ
i
s2 T
X iˆ ˆw X i
其中 是对误差项方差的估计量：
( y it ˆ i x it ˆ w ) 2
s2 i t
NT ቤተ መጻሕፍቲ ባይዱN K
注意：在对误差项方差的估计量中，分母（NT-N-K）反映了整个
模型的自由度。有了这些方差的估计量，就可以用传统的t-统计量 对估计系数的显著性进行检验。同时，还可以运用下列F-统计量对
;
(7
)
2
E
(
2 i
),
i
。
给定这些假设，随机效应面板数据模型也可同样写为：
其中
(In
i )
y=X β +μ
， α 的 向 量 形 式 与 以 前 相 同 。
是 Kronecker 乘法 符 号。
例 2 Kronecker 乘 法 ：
I2
i 21
i
21
0
0 i 21
例 3 前 面 的 矩 阵 D 也 可 用 Kronecker 乘 法 表 示 ： D I N iT 1
记第 i 个横截面的数据为
yi1
yi
yi2
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
截距项选择 Random effects（个体随机效应）
得到如 345.2 + 0.72 IP − 2.6 D + 367.0 D + ... + 106.1D CP it it 1 2 15
(68.5)
R 2 = 0.98, SSE = 2979246
所以本例中：
F= (4824588 − 227386) / (15 − 1) = 8.1 f F0.05 (14,89) = 1.8 2270386 / (105 − 15 − 1)
所以推翻原假设，建立个体固定效应回归模型更合理。 C.时点固定效应回归模型的估计方法 将时间选择为固定效应。
得到如下输出结果：
1.已知 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 （ cp ，不变价格）和人均收入（ ip ，不变价格）居民，利用数据（1）建立面板 数据（panel data）工作文件； （2）定义序列名并输入数据； （3）估计选择面板 模型； （4）面板单位根检验。
年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表 9.1，9.2 和 9.3。 表 9.1 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（元）数据
得到如下输出结果：
相应的表达式是：
ˆ = 129.63 + 0.76 IP CP it it
(2.0) (79.7)
R 2 = 0.98, SSEr = 4824588
上式表示 15 个省级地区的城镇人均指出平均占收入的 76%。 B.个体固定效应回归模型的估计方法 将截距项选择区选 Fixed effects（固定效应）
表 9.3 1996—2002 年中国东北、华北、华东 15 个省级地区的消费者物价指数
物价指数 PAH PBJ PFJ PHB PHLJ PJL PJS PJX PLN PNMG PSD PSH PSX PTJ PZJ 1996 109.9 111.6 105.9 107.1 107.1 107.2 109.3 108.4 107.9 107.6 109.6 109.2 107.9 109 107.9 1997 101.3 105.3 101.7 103.5 104.4 103.7 101.7 102 103.1 104.5 102.8 102.8 103.1 103.1 102.8 1998 100 102.4 99.7 98.4 100.4 99.2 99.4 101 99.3 99.3 99.4 100 98.6 99.5 99.7 1999 97.8 100.6 99.1 98.1 96.8 98 98.7 98.6 98.6 99.8 99.3 101.5 99.6 98.9 98.8 2000 100.7 103.5 102.1 99.7 98.3 98.6 100.1 100.3 99.9 101.3 100.2 102.5 103.9 99.6 101 2001 100.5 103.1 98.7 100.5 100.8 101.3 100.8 99.5 100 100.6 101.8 100 99.8 101.2 99.8
产生 3*15 个尚未输入数据的变量名。这样可以通过键盘输入或黏贴的方法数据 数据。 （3）估计、选择面板模型 打开一个 pool 窗口，先输入变量后缀（所要使用的变量） 。点击 Estimate，打开 估计窗口。
A.混合模型的估计方法 左边的 Common 表示相同系数，即表示不同个体有相同的斜率。
表 9.2 1996—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（元）数据
人均收入 INCOMEAH INCOMEBJ INCOMEFJ INCOMEHB INCOMEHLJ INCOMEJL INCOMEJS INCOMEJX INCOMELN INCOMENMG INCOMESD INCOMESH INCOMESX INCOMETJ INCOMEZJ 1996 4512.77 7332.01 5172.93 4442.81 3768.31 3805.53 5185.79 3780.2 4207.23 3431.81 4890.28 8178.48 3702.69 5967.71 6955.79 1997 4599.27 7813.16 6143.64 4958.67 4090.72 4190.58 5765.2 4071.32 4518.1 3944.67 5190.79 8438.89 3989.92 6608.39 7358.72 1998 4770.47 8471.98 6485.63 5084.64 4268.5 4206.64 6017.85 4251.42 4617.24 4353.02 5380.08 8773.1 4098.73 7110.54 7836.76 1999 5064.6 9182.76 6859.81 5365.03 4595.14 4480.01 6538.2 4720.58 4898.61 4770.53 5808.96 10931.64 4342.61 7649.83 8427.95 2000 5293.55 10349.69 7432.26 5661.16 4912.88 4810 6800.23 5103.58 5357.79 5129.05 6489.97 11718.01 4724.11 8140.5 9279.16 2001 5668.8 11577.78 8313.08 5984.82 5425.87 5340.46 7375.1 5506.02 5797.01 5535.89 7101.08 12883.46 5391.05 8958.7 10464.67 2002 6032.4 12463.92 9189.36 6679.68 6100.56 6260.16 8177.64 6335.64 6524.52 6051 7614.36 13249.8 6234.36 9337.56 11715.6
1, 如果属于第i个个体,i = 1, 2,...,15 Di = 0, 其他
15 个省级地区的城镇人均指出平均占收入 70%。从上面的结果可以看出北京市
居民的自发性消费明显高于其他地区。 接下来用 F 统计量检验是应该建立混合回归模型，还是个体固定效应回归模型。
H 0 ： α i = α 。模型中不同个体的截距相同（真实模型为混合回归模型） 。 H1 ：模型中不同个体的截距项 α i 不同（真实模型为个体固定效应回归模型） 。
得到如下输出结果：
相应的表达式为：
ˆ = 515.6 + 0.70 IP − 36.3D + 537.6 D + ... + 198.6 D CP it it 1 2 15
(6.3) (55)
R 2 = 0.99, SSEr = 2270386
其中虚拟变量 D1 , D2 ,..., D15 的定义是：
分析过程如下：
得到如下检验结果：
Hausman 统计量的值是 14.79，相对应的 由检验输出结果的上半部分可以看出， 概率是 0.0001，即拒接原假设，应该建立个体固定效应模型。 检验结果的下半部分是 Hausman 检验中间结果比较。个体固定效应模型对参数 的估计值为 0.697561， 随机效应模型对参数的估计值为 0.724569。 两个参数的估 计量的分布方差的差为 0.000049。 综上分析，1996—2002 年中国东北、华北、华东 15 个省级地区的居民家庭 人均消费和人金收入问题应该建立个体固定效应回归模型。人均消费平均占人 均收入的 70%。随地区不同，自发消费（截距项）存在显著性差异。 （4）面板单位根检验 以 cp 序列为例。 首先在工作文件窗口中打开 cp 变量的 15 个数据组。
F
统计量定义为：
F=
( SSEr − SSEu ) / [( NT − k − 1) − ( NT − N − k )] ( SSEr − SSEu ) / ( N − 1) = SSEu / ( NT − N − k ) SSEu / ( NT − N − k )
r u
其中 SSE 表示约束模型，即混合估计模型的残差平方和， SSE 表示非约束模型，即 个体固定效应回归模型的残差平方和。非约束模型比约束模型多了 N − 1 个被估参数。
人均消费 CONSUMEAH CONSUMEBJ CONSUMEFJ CONSUMEHB CONSUMEHLJ CONSUMEJL CONSUMEJS CONSUMEJX CONSUMELN CONSUMENMG CONSUMESD CONSUMESH CONSUMESX CONSUMETJ CONSUMEZJ 1996 3607.43 5729.52 4248.47 3424.35 3110.92 3037.32 4057.5 2942.11 3493.02 2767.84 3770.99 6763.12 3035.59 4679.61 5764.27 1997 3693.55 6531.81 4935.95 4003.71 3213.42 3408.03 4533.57 3199.61 3719.91 3032.3 4040.63 6819.94 3228.71 5204.15 6170.14 1998 3777.41 6970.83 5181.45 3834.43 3303.15 3449.74 4889.43 3266.81 3890.74 3105.74 4143.96 6866.41 3267.7 5471.01 6217.93 1999 3901.81 7498.48 5266.69 4026.3 3481.74 3661.68 5010.91 3482.33 3989.93 3468.99 4515.05 8247.69 3492.98 5851.53 6521.54 2000 4232.98 8493.49 5638.74 4348.47 3824.44 4020.87 5323.18 3623.56 4356.06 3927.75 5022 8868.19 3941.87 6121.04 7020.22 2001 4517.65 8922.72 6015.11 4479.75 4192.36 4337.22 5532.74 3894.51 4654.42 4195.62 5252.41 9336.1 4123.01 6987.22 7952.39 2002 4736.52 10284.6 6631.68 5069.28 4462.08 4973.88 6042.6 4549.32 5342.64 4859.88 5596.32 10464 4710.96 7191.96 8713.08