面板数据、格兰杰因果关系、向量自回归和向量误差修正模型
面板数据是什么有哪些主要的面板数据模型
面板数据是什么有哪些主要的面板数据模型面板数据（Panel data），也被称为纵向数据（longitudinal data）或者追踪数据（follow-up data），是一种常用于经济学、社会学等领域的数据收集与分析方法。
与截面数据（cross-sectional data）只涉及一个时间点上的多个观察对象不同，面板数据同时涉及多个时间点和多个观察对象，用于研究时间和个体之间的关系。
面板数据的优势在于它能够通过观察多个时间点上的同一组观察对象，捕捉个体和时间的变化，从而提供更加全面和准确的数据信息。
同时，面板数据还可以减少一些估计中的偏误和提高估计的效率。
接下来，我们将介绍面板数据的主要模型。
1. 固定效应模型（Fixed Effects Model）固定效应模型是面板数据分析中最简单的模型之一。
它假设个体固定效应与解释变量无关，然后通过消除这些固定效应来估计模型的参数。
固定效应模型的核心是个体固定效应的控制，这可以通过个体固定效应的虚拟变量进行实现。
固定效应模型的估计方法包括最小二乘法（OLS）和差分中立变量法（Demeaning Approach）等。
2. 随机效应模型（Random Effects Model）相比于固定效应模型，随机效应模型假设个体固定效应与解释变量相关。
换句话说，个体固定效应被视为随机变量，与解释变量存在相关性。
在随机效应模型中，个体固定效应被视为一种随机误差项，通过估计个体固定效应的方差来分析其对因变量的影响。
3. 差分检验模型（Difference-in-Differences Model）差分检验模型常用于研究政策干预的效果。
该模型基于两组观察对象，其中一组接受了某种政策干预，而另一组则没有。
通过比较两组观察对象在政策干预前后的差异，我们可以评估政策干预的影响。
差分检验模型需要同时估计个体和时间的固定效应，以控制其他可能影响因素的干扰。
4. 面板向量自回归模型（Panel Vector Autoregression Model）面板向量自回归模型是一种扩展的时间序列模型，用于分析多个时间点上的多个变量之间的关系。
向量自回归和向量误差修正模型
模型旨在捕捉变量之间的动态关 系，并分析一个经济系统中的内
在机制。
VAR模型假设变量之间的关系是 非结构性的，即它们之间的关系
是线性的。
VAR模型的参数估计
使用最大似然估计法（MLE） 来估计VAR模型的参数。
MLE是一种统计方法，用于估 计未知参数的值，使得已知数 据与模型预测的概率分布尽可 能接近。
独立同分布假设
02
模型假设误差项独立且同分布，实际数据可能无法满足这一假
设，导致模型的预测能力下降。
参数稳定性假设
03
模型假设参数在样本期间保持不变，这在现实中很难满足，参
数的变化可能影响模型的预测效果。
模型应用范围与限制
领域限制
向量自回归和向量误差修正模型 主要应用于宏观经济和金融领域 的数据分析，在其他领域的应用 可能受到限制。
向量自回归和向量误 差修正模型
目录
• 向量自回归模型（VAR） • 向量误差修正模型（VECM） • 向量自回归和向量误差修正模型的应用 • 向量自回归和向量误差修正模型的比较与选择 • 向量自回归和向量误差修正模型的局限性
01
向量自回归模型（VAR）
VAR模型的原理
多个时间序列变量同时受到各自 滞后值和相互之间滞后值的影响。
模型选择与优化
在向量误差修正模型中，需要根据实际问题和数据特点选择合适的滞后阶数和模型形式。 同时，可以通过比较不同模型的拟合优度、解释力度等指标来优化模型。
03
向量自回归和向量误差修 正模型的应用
宏观经济预测
总结词
向量自回归和向量误差修正模型在宏观经济预测中具有重要应用，能够分析多个经济变量之间的动态关系，预测 未来经济走势。
参数值。
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型(2011-06-13 11:43:22)标签: 分类: 工作篇校园面板数据的计量方法1.什么是面板数据,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,。
面板数据是截面数据与时间序列综合起来的一种数据资源～是同时在时间和截面空间上取得的二维数据。
如:城市名:北京、上海、重庆、天津的GDP分别为10、11、9、8,单位亿元,。
这就是截面数据～在一个时间点处切开～看各个城市的不同就是截面数据。
如:2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12,单位亿元,。
这就是时间序列～选一个城市～看各个样本时间点的不同就是时间序列。
如:2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为: 北京市分别为8、9、10、11、12,上海市分别为9、10、11、12、13,天津市分别为5、6、7、8、9,重庆市分别为7、8、9、10、11,单位亿元,。
这就是面板数据。
2.面板数据的计量方法利用面板数据建立模型的好处是:,1,由于观测值的增多～可以增加估计量的抽样精度。
,2,对于固定效应模型能得到参数的一致估计量～甚至有效估计量。
,3,面板数据建模比单截面数据建模可以获得更多的动态信息。
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。
面板数据模型的选择通常有三种形式:混合估计模型、固定效应模型和随机效应模型。
这三类模型的差异主要表现在系数、截距以及随机误差的假设不同。
第一种是混合估计模型,Pooled Regression Model,。
面板数据格兰杰因果关系检验
• 向量自回归分布滞后模型可以用于变量间关系 的检验。
二、时间序列格兰杰因果关系检验
Yt i X t i i Yt i 1t
i 1 i 1 m m
三、面板数据格兰杰因果关系检验
情形三 含个体效应，不含时间趋势
Yi ,t
k 1 m k 1
m
(k )
X i ,t k ( k )Yi ,t k i vi ,t
k 1
m
X i ,t
(k )
X i ,t k ( k )Yi ,t k i ui ,t
如果F<F(m,n-k)，则不拒绝原假设。
三、面板数据格兰杰因果关系检验
情形一 不含个体效应和时间趋势
Yi ,t
k 1 m k 1
m
(k )
X i ,t k ( k )Yi ,t k vi ,t
k 1
m
X i ,t
(1)
(k )
X i ,t k ( k )Yi ,t k ui ,t
k 1
m
H0 : (1) (2)
(k ) 0
( RSS R RSSU ) / m F ~ F (m, TN 2m T ) RSSU / (TN 2m T )
参考文献：Hurlin C，Venet，B．，2001，“Granger Causality Tests in Panel Data Models with Fixed Coemcients”．
面板数据处理方法总结(经典)
单位根检验、协整检验与格兰杰检验的关系单位根检验、协整检验和格兰杰因果关系检验三者之间的关系实证检验步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。
若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。
协整检验的原假设就是，变量回归后的残差是平稳序列。
如若残差是平稳序列，说明存在协整关系，如果残差序列有单位根，则协整关系不存在。
如果有协整关系，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。
一、讨论一1、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。
2、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。
3、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG 两步法和JJ检验A、EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性B、JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）4、当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别二、讨论二1、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。
2、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。
1格兰杰因果关系检验模型1
1 格兰杰因果关系检验模型格兰杰(G range r)从时间序列的意义上来界定因果关系,提出了因果关系的计量经济学定义:“欲判断X 是否引起Y,则考察Y 的当前值在多大程度上可以由Y 的过去值解释,然后考察加入X 的滞后值是否能改善解释程度。
如果X 的滞后值有助于改善对Y 的解释程度,则认为X 是Y 的格兰杰原因。
”[ 5 ]111 平稳性检验当两个变量均为非平稳时间序列时, 对其进行的格兰杰因果关系检验得到可能是虚假的结果, 因此应首先采用扩展迪基———富勒检验(AD F)对变量进行平稳性检验。
AD F 的具体方法是估计回归方程[ 6 ] :111(1)Pt t t t t j t j t j Y Y Y Y Y u αβρλ---=∆=-=++-+∆+∑, (1)式中: t Y 为原始时间序列; t 为时间趋势项;1t Y -为滞后1期的原始时间序列;t Y ∆为一阶差分时间序列;t j Y -∆为滞后j 期的一阶差分时间序列;α为常数;t β、ρ、j λ为回归系数; P 为滞后阶数;t μ为误差项。
112 协整检验如果两个序列是非平稳序列, 那么在回归之前要对其进行差分, 然而差分可能导致两个序列之间关系的信息损失,所以Eng le 和G ranger 提出了协整理论[ 7 ] ,目的是考虑是不是存在对非平稳变量的时间序列进行回归而不会造成错误的情况.。
笔者采用EG 两步法进行协整检验. EG 两步 法的检验步骤[ 8 ] :第一步,对同阶单整的序列t X 和t Y , 用一个变量对另一个变量回归,即 t Y = α +βt X +εt , (2)将模型的残差项用t X 和t Y 表示:εt= t Y - α - βt X , (3)式中:εt 为模型残差估计值.第二步,对式(2) 中的残差项εt 进行AD F 检验. 若检验结果表明εt 为平稳序列,则得出t X 和t Y 具有协整关系,式(2) 为协整回归方程.113 格兰杰因果关系检验 格兰杰因果关系检验要求估计以下回归模型[ 9 ] : 111mm t i t i i t i t i i Y X Y αβμ--===++∑∑, (4) 211mm t i t i i t i t i i X YX λδμ--===++∑∑, (5)式(4) ～ 式(5) 中: t X 、t Y 为X 、Y 原始序列当期值;t i X -、t i Y -为X 、Y 原始序列滞后i 期的值;i α、i β、i λ、i δ为回归系数;1t μ、2t μ为误差项。
var格兰杰因果关系检验
var格兰杰因果关系检验格兰杰因果关系检验（Granger causality test）是一种经济计量学中常用的统计方法，用于判断两个时间序列之间是否存在因果关系。
本文将对格兰杰因果关系检验的原理、步骤和实际应用进行详细解析。
一、原理格兰杰因果关系检验是基于向量自回归模型（Vector Autoregressive, VAR）的思想发展而来的。
VAR模型用于描述多个时间序列之间的动态关系，其中涉及到滞后阶数（Lag Order）的选择和残差截断的问题。
而格兰杰因果关系检验则通过比较两个VAR模型的残差的方差来判断两个时间序列之间的因果关系。
二、步骤1. 数据准备：收集两个时间序列的观测数据，并确保两个序列具有相同的时间粒度和起始时间。
2. 建立VAR模型：使用计量经济学软件（如EViews、Stata等）建立两个时间序列的VAR模型。
在建模过程中，需要选择合适的滞后阶数和包含的控制变量。
3. 检验格兰杰因果关系：首先，检验VAR模型的残差是否满足正态性和独立同分布的假设。
如果残差不满足这些假设，则需进行适当的转换或修正。
然后，比较两个VAR模型的残差方差，通过统计检验确定是否存在因果关系。
4. 排除外生因素：如果检验结果表明存在因果关系，但在实际应用中无法解释或存在外生因素的干扰，则需要进行进一步的分析和调整。
三、实际应用格兰杰因果关系检验在实际应用中具有广泛的用途，以下列举几个常见的应用场景：1. 宏观经济研究：用于分析经济指标之间的因果关系，如GDP与消费、投资、进出口等之间的关系。
2. 金融市场预测：用于判断某个金融资产价格变动的因果关系，如利率、股票价格、汇率等之间的关系。
3. 商业决策分析：用于评估市场因素对产品销量的影响，如广告投入、竞争对手销售额等与产品销量之间的关系。
4. 自然灾害预测：用于分析自然灾害事件与其他气象因素之间的因果关系，如降雨量、地震活动等之间的关系。
格兰杰因果关系检验的优势是在不需要知道因果关系的具体方向的前提下，能够判断两个时间序列之间是否存在因果关系。
向量自回归模型(VAR)与向量误差修正模型(vec)
向量自回归模型（VAR ）与向量误差修正模型（VEC ）§7.1 向量自回归模型（VAR(p)）传统的经济计量学联立方程模型建摸方法, 是以经济理论为基础来描述经济变量之间的结构关系，采用的是结构方法来建立模型，所建立的就是联立方程结构式模型。
这种模型其优点是具有明显的经济理论含义。
但是，从计量经济学建摸理论而言，也存在许多弊端而受到质疑。
一是在模型建立之处，首先需要明确哪些是内生变量，哪些是外生变量，尽管可以根据研究问题和目的来确定，但有时也并不容易；二是所设定的模型，每一结构方程都含有内生多个内生变量，当将某一内生变量作为被解释变量出现在方程左边时，右边将会含有多个其余内生变量，由于它们与扰动项相关， 从而使模型参数估计变得十分复杂，在未估计前，就需要讨论识别性；三是结构式模型不能很好地反映出变量间的动态联系。
为了解决这一问题，经过一些现代计量经济学家门的研究，就给出了一种非结构性建立经济变量之间关系模型的方法，这就是所谓向量自回归模型（Vector Autoregression Model ）。
VAR 模型最早是1980年，由C.A.Sims 引入到计量经济学中，它实质上是多元AR 模型在经济计量学中的应用，VAR 模型不是以经济理论为基础描述经济变量之间的结构关系来建立模型的，它是以数据统计性质为基础，把某一经济系统中的每一变量作为所有变量的滞后变量的函数来构造模型的。
它是一种处理具有相关关系的多变量的分析和预测、随机扰动对系统的动态冲击的最方便的方法。
而且在一定条件下，多元MA 模型、ARMA 模型，也可化为VAR 模型来处理，这为研究具有相关关系的多变量的分析和预测带来很大方便。
7.1.1 VAR 模型的一般形式1、非限制性VAR 模型（高斯VAR 模型）,或简化式非限制性VAR 模型设12(...)t t t kt y y y y '=为一k 维随机时间序列，p 为滞后阶数，12(...)t t t kt u u u u '=为一k 维随机扰动的时间序列，且有结构关系(1)(1)(1)(2)(2)(2)111111221111112122212()()()11112211(1)(1)(1)(2)(2)2211122212121122222................t t t k kt t t k kt p p p t p t p k kt p t t t t k kt t t y a y a y a y a y a y a y a y a y a y u y a y a y a y a y a y --------------=+++++++++++++=++++++(2)22()()()21212222(1)(1)111.............................................................................................................................k kt p p p t p t p k kt p tkt k t k a y a y a y a y u y a y a -----+++++++=+(1)(2)(2)(2)2211112122212()()()1122............t kk kt k t t k kt p p p k t p k t p kk kt p kt y a y a y a y a y a y a y a y u --------⎡⎢⎢⎢⎢⎢⎢⎢⎢+++++++⎢⎢+++++⎢⎣1,2,...,t T = （7．1．1） 若引入矩阵符号，记()()()11121()()()21222()()()12......,1,2,...,........................................i i i k i i i k i i i i k k kk a a a a a a A i p a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦可写成 1122...t t t p t p t y A y A y A y u ---=++++，1,2,...,t T = （7．1．2） 进一步，若引入滞后算子L ，则又可表示成(),1,2,...,t t A L y u t T == （7. 1. 3）其中: 212()...pk p A L I A L A L A L =----,为滞后算子多项式.如果模型满足的条件: ①参数阵0,0;p A p ≠>②特征方程 212det[()]...0pk p A L I A L A L A L =----=的根全在单位园外；③~(0,)t u iidN ∑，1,2,...,t T =，即t u 相互独立，同服从以()0t E u =为期望向量、ov()()t t t C u E u u '==∑为方差协方差阵的k 维正态分布。
- 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)。
面板数据、格兰杰因果关系、向量自回归和向量误差修正模型(2011-06-13 11:43:22)标签: 分类: 工作篇校园面板数据的计量方法1.什么是面板数据,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,。
面板数据是截面数据与时间序列综合起来的一种数据资源～是同时在时间和截面空间上取得的二维数据。
如:城市名:北京、上海、重庆、天津的GDP分别为10、11、9、8,单位亿元,。
这就是截面数据～在一个时间点处切开～看各个城市的不同就是截面数据。
如:2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12,单位亿元,。
这就是时间序列～选一个城市～看各个样本时间点的不同就是时间序列。
如:2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为: 北京市分别为8、9、10、11、12,上海市分别为9、10、11、12、13,天津市分别为5、6、7、8、9,重庆市分别为7、8、9、10、11,单位亿元,。
这就是面板数据。
2.面板数据的计量方法利用面板数据建立模型的好处是:,1,由于观测值的增多～可以增加估计量的抽样精度。
,2,对于固定效应模型能得到参数的一致估计量～甚至有效估计量。
,3,面板数据建模比单截面数据建模可以获得更多的动态信息。
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。
面板数据模型的选择通常有三种形式:混合估计模型、固定效应模型和随机效应模型。
这三类模型的差异主要表现在系数、截距以及随机误差的假设不同。
第一种是混合估计模型,Pooled Regression Model,。
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。
此时～对所有横截面数据而言～截距应是相同的。
第二种是固定效应模型,Fixed Effects Regression Model,。
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,fixed effects regressionmodel,。
此时～相对于混合效应模型而言～个体间存在差异可以体现在截距的差异也可以体现为系数的差异。
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 fixed effects regression model,和时刻个体固定效应模型,time and entity fixed effects regression model,。
,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。
注意:个体固定效应模型的EViwes输出结果中没有公共截距项。
,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～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截距项不同,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。
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,。
第三种是随机效应模型。
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 = a + b1 xit + eit 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 = ui + vt + wit 其中ui ~N(0, su2)表示截面随机误差分量,vt ~N(0, sv2)表示时间随机误差分量,wit ~N(0, sw2)表示混和随机误差分量。
同时还假定ui～vt～wit之间互不相关～各自分别不存在截面自相关、时间自相关和混和自相关。
上述模型称为随机效应模型。
与固定效应模型不同～随机效应模型中。
随机误差项和截距项都是随机变量。
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。
注意:随机效应模型EViwes输出结果中含有公共截距项。
一般常用的具体检验方法是:通过构造F统计量判断是否所有固定影响为零～对固定效应模型和混合模型进行筛选;通过ols估计的残差构造LM统计量～即BP拉格朗日乘数检验进行随即模型和混合模型检验以及通过hausman检验进行固定效应模型和随机模型的筛选。
由于面板数据带有时间序列和横截面数据的双重性。
而在处理时间序列模型时～必须首先对时间序列进行单位根检验～否则很可能出现“伪回归”～因此必须对其进行平稳性检验。
Eviews软件对面板数据的单位根检验包括五种～即LLC检验、IPS检验、Fish-ADF, Fish-PP检验和Hadri检验。
其中Hadri检验的原假设为面板数据不存在单位根～而其它四种检验的原假设为含有单位根。
,详细的应用例子可参见:蔡莉～《我国货币政策有效性的区域差异分析:2003-2009》～复旦大学2009届硕士论文～第36-39页。
,随机效应模型和固定效应模型哪一个更好些,实际是各有优缺点。
随机效应模型的好处是节省自由度。
对于从时间序列和截面两方面上看都存在较大变化的数据～随机效应模型能明确地描述出误差来源的特征。
固定效应模型的好处是很容易分析任意截面数据所对应的因变量与全部截面数据对应的因变量均值的差异程度。
此外～固定效应模型不要求误差项中的个体效应分量与模型中的解释变量不相关。
当然～这一假定不成立时～可能会引起模型参数估计的不一致性。
用EViwes可以估计固定效应模型,包括个体固定效应模型、时刻固定效应模型和时刻个体固定效应模型3种,、随机效应模型、带有AR(1)参数的模型、截面不同回归系数也不同的面板数据模型。
用EViwes可以选择普通最小二乘法、加权最小二乘法,以截面模型的方差为权,、似不相关回归法估计模型参数。
时间序列的平稳、非平稳、协整、格兰杰因果关系步骤:先做单位根检验～看变量序列是否平稳序列～若平稳～可构造回归模型等经典计量经济学模型,若非平稳～进行差分～当进行到第i次差分时序列平稳～则服从i阶单整,注意趋势、截距不同情况选择～根据P值和原假设判定,。
若所有检验序列均服从同阶单整～可构造VAR模型～做协整检验,注意滞后期的选择,～判断模型内部变量间是否存在协整关系～即是否存在长期均衡关系。
如果有～则可以构造VEC模型或者进行Granger因果检验～检验变量之间“谁引起谁变化”～即因果关系。
1.单位根检验是序列的平稳性检验～如果不检验序列的平稳性直接OLS容易导致伪回归。
常用的ADF检验包括三个模型方程。
在李子奈的《高级计量经济学》上有该方法的全部步骤～即从含趋势项、截距项的方程开始～若接受原假设～则对模型中的趋势项参数进行t检验～若接受则进行对只含截距项的方程进行检验～若接受～则对一阶滞后项的系数参数进行t检验～若接受～则进行差分后再ADF检验,若拒绝～则序列为平稳序列。
2.当检验的数据是平稳的,即不存在单位根,～要想进一步考察变量的因果联系～可以采用格兰杰因果检验～但要做格兰杰检验的前提是数据必须是平稳的～否则不能做。
3.当检验的数据是非平稳,即存在单位根,～并且各个序列是同阶单整,协整检验的前提,～想进一步确定变量之间是否存在协整关系～可以进行协整检验～协整检验主要有EG两步法和JJ检验(1)EG两步法是基于回归残差的检验～可以通过建立OLS模型检验其残差平稳性(2)JJ检验是基于回归系数的检验～前提是建立VAR模型,即模型符合ADL模式,4.当变量之间存在协整关系时～可以建立ECM进一步考察短期关系～Eviews这里还提供了一个Wald,Granger检验～但此时的格兰杰已经不是因果关系检验～而是变量外生性检验～请注意识别5.格兰杰检验只能用于平稳序列:这是格兰杰检验的前提～而其因果关系并非我们通常理解的因与果的关系～而是说x的前期变化能有效地解释y的变化～所以称其为“格兰杰原因”。
非平稳序列很可能出现伪回归～协整的意义就是检验它们的回归方程所描述的6.因果关系是否是伪回归～即检验变量之间是否存在稳定的关系。
所以～非平稳序列的因果关系检验就是协整检验。
7.平稳性检验有3个作用:(1)检验平稳性～若平稳～做格兰杰检验～非平稳～作协正检验。
(2)协整检验中要用到每个序列的单整阶数。
(3)判断时间学列的数据生成过程。
8.其实很多人存在误解。
有如下几点～需要澄清:(1)格兰杰因果检验是检验统计上的时间先后顺序～并不表示而这真正存在因果关系～是否呈因果关系需要根据理论、经验和模型来判定。
(2)格兰杰因果检验的变量应是平稳的～如果单位根检验发现两个变量是不稳定的～那么～不能直接进行格兰杰因果检验～所以～很多人对不平稳的变量进行格兰杰因果检验～这是错误的。
(3)协整结果仅表示变量间存在长期均衡关系～那么～到底是先做格兰杰还是先做协整呢,因为变量不平稳才需要协整～所以～首先因对变量进行差分～平稳后～可以用差分项进行格兰杰因果检验～来判定变量变化的先后时序～之后～进行协整～看变量是否存在长期均衡。