EVIEWS面板数据分析操作教程之PanelData模型
EVIEWS面板数据分析操作教程之PanelData模型
首先：建立随机效应回归
yi vi xi β ui
其次：用Hausman检验该模型是否是随机效应模型
21
此处选 random
一
确定影响形式软件操作
yi vi xi β ui
第一步：建立建立随机效应回归
◎POOL/ESTIMATE如右窗口
点确定结果请点 结果
由于自变量前
系数不变，所
k
1)]
F1
(S 2 S1 ) /[( N 1)k ] S1 ( NT N (k 1))
~
F[( N
1)k , N (T
k
1)]
获得S1，S2，S3后手工计算F2，F1，并查找临界值做出判定
请点：判定规则 请点 判定实例
27
模型形式检验步骤：注要手工计算
例10.5中系数 和 取何种形式可以利用模型形式设定检验方法
yi
m
xi β
* i
ui
由于自变量前 系数不变，所 以自变量填写
在此处
◎POOL/ESTIMATE如右 窗口 点确定结果请点 结果
说明 软件给出的固定影响分为： 一 总体均值 二 个体对总体的偏离
31
记下：自 由度为N （T-1）-K
记下 S2
32
附注：包含时期个体恒量的固定影响变截距模型
yit
F1=((S2-S1)/8)/(S1 /85) = 3.29 F2=((S3-S1)/12)/(S1 /85) = 25.73 界到点相利应，用的k1函和临数k界2是值@自为q由f：di度st(。d,k在1,给k2)定得5%到的F分显布著的性临水界平值下，(d其=0中.95d)，是得临 F2(12, 85) = 1.87 F1(8, 85) =2.049 H1。由因于此，F2例>11.807.5，的所模以型拒应绝采H用2；变又系由数于的形F1式>2。.049，所以也拒绝28
计量经济面板数据模型及EVIEWs软件的实现
面板数据模型的分析及Eviews实现一、面板数据和模型概述在经济学研究和实际应用中，我们经常需要同时分析和比较横截面观察值和时间序列观察值结合起来的数据，即：数据集中的变量同时含有横截面和时间序列的信息。
这种数据被称为面板数据(panel data)，它与我们以前分析过的纯粹的横截面数据和时间序列数据有着不同的特点。
简单地讲，面板数据因同时含有时间序列数据和截面数据，所以其统计质既带有时间序列的性质，又包含一定的横截面特点。
因而，以往采用的计量模型和估计方法就需要有所调整。
例1 表1中展示的数据就是一个面板数据的例子。
其他类似的例子还有：历次人口普查中有关不同年龄段的受教育状况；同行业不同公司在不同时间节点上的产值等。
这里，不同的年龄段和公司代表不同的截面，而不同时间节点数据反映了数据的时间序列性。
研究和分析面板数据的模型被称为面板数据模型（panel data model）。
它的变量取值都带有时间序列和横截面的两重性。
一般的线性模型只单独处理横截面数据或时间序列数据，而不能同时分析和对比它们。
面板数据模型，相对于一般的线性回归模型，其长处在于它既考虑到了横截面数据存在的共性，又能分析模型中横截面因素的个体特殊效应。
当然，我们也可以将横截面数据简单地堆积起来用回归模型来处理，但这样做就丧失了分析个体特殊效应的机会。
二、一般面板数据模型介绍 符号介绍：ity ——因变量在横截面i 和时间t 上的数值；j it x ——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K j ,,2,1 =；有N 个横截面，即N i ,,2,1 =； 时间指标T t ,,2,1 =。
记第i 个横截面的数据为⎪⎪⎪⎪⎪⎭⎫⎝⎛=iT i i i y y y y21； ⎪⎪⎪⎪⎪⎭⎫⎝⎛=K iT iT iT Ki i i K i i i i x x x x x x x x x X 212221212111；⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=iT i i i μμμμ 21 其中对应的i μ是横截面i 和时间t 时随机误差项。
Eviews统计第十二章
Eviews 统计分析 从入门到精通 三、混合横截面模型
如果我们认为一个面板数据在时间和截面个体之间均无显著性 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，这样的模型就是混合横截面模型，如公 式12-5所示。
yit i xit vit
i 1 k
（2）在Test type下拉列 表框中选择Summary选 项，Test for unit root in 选择组中选择level单选按 钮，Include in test eqution选项组中选择 Individual intercept，其 他选项选择默认设置。
i 1 k
12 2
其中，i = 1, 2, …, N表示个体成员，t = 1, 2, …, T代表时间跨度。
Eviews 统计分析 从入门到精通
模型中不随时间变化的非观测效应与误差项相关。均值截距项在不 同的截面成员时间是相同的，代表截面个体成员截距项，表示个体成员 的截距对整体截距的偏离。 对于固定效应模型，通常的处理方法是准差分处理后使用OLS估计 方法或使用最小二乘虚拟变量法（LSDV）进行估计；如果其误差项不 满足满足相互独立和同方差假定，则需要使用GLS进行估计。
Eviews 统计分析 从入门到精通
案例12.2
Eviews 统计分析 从入门到精通
设置要点 （1）在Depandent Variable输入框 中输入待模型的被解释变量 （2）在 Regressors and AR terms 选项组下的Cross-section specifics输入框中输入解释变量 名称。 （3）选择估计形式。
ˆ ˆ ) 1 ( ˆ ˆ )12 4 W ( w GLS w GLS
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（con sume ）和人均收入（in come ）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 2002 CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEHB3424.354003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMELN3493.023719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88 CONSUMESD 3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32 CONSUMESH 6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464 CONSUMESX 3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96 CONSUMETJ 4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96 CONSUMEZJ5764.276170.146217.936521.547020.227952.398713.08人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.86032.4INCOMEBJ 7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92 INCOMEFJ 5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36 INCOMEHB 4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68 INCOMEHLJ 3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56 INCOMEJL 3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16 INCOMEJS 5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64 INCOMEJX 3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64 INCOMELN 4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52 INCOMENMG3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051 INCOMESD 4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36 INCOMESH 8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8 INCOMESX 3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36 INCOMETJ 5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56 INCOMEZJ 6955.797358.727836.768427.959279.1610464.6711715.615 个省级地区的居民家庭人均收入（元）数据表 9.2 1996— 2002 年中国东北、华北、华东< >\ Uinni«d X NewPage -/ 程如下:表9.3 1996 — 2002年中国东北、华北、华东物价指数1996 1997 1998 1999 2000 2001 2002 PAH 109.9 101.3 100 97.8 100.7 100.5 99 PBJ 111.6 105.3 102.4 100.6 103.5 103.1 98.2 PFJ 105.9 101.7 99.7 99.1 102.1 98.7 99.5 PHB 107.1 103.598.4 98.1 99.7 100.5 99 PHLJ 107.1 104.4 100.4 96.8 98.3 100.8 99.3 PJL 107.2 103.7 99.2 98 98.6 101.3 99.5 PJS 109.3 101.7 99.4 98.7 100.1 100.8 99.2 PJX 108.4 102 101 98.6 100.3 99.5 100.1 PLN 107.9 103.1 99.3 98.6 99.9 100 98.9PNMG 107.6 104.5 99.3 99.8 101.3 100.6100.2PSD 109.6 102.8 99.4 99.3 100.2 101.8 99.3 PSH 109.2 102.8 100 101.5 102.5 100 100.5 PSX 107.9 103.1 98.6 99.6 103.9 99.8 98.4 PTJ109 103.1 99.5 98.9 99.6 101.2 99.6 PZJ107.9102.899.798.810199.899.1（1）建立面板数据工作文件首先建立工作文件Tetcli from DB .Update sslectei from DB... Stor* selected to DB... Copy.s^lectedL . selectelFrijit Selected15个省级地区的消费者物价指数Ssntple: E c 回 r@sidGenerate Series. BDisplay Filter *New Obj set...建立面板数据库在窗口中输入15个不同省级地区的标识AH BJ FJHB HLJJL JS JX LNNMG SD SH sx TJ ZJI(2)定义序列名并输入数据产生3*15个尚未输入数据的变量名。
面板数据模型Eviews实现
面板数据含有横截面、时期和变量三维信息，利用 面板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。
对于截面成员较多，时期较少的“宽而短”的侧重截 面分析的数据，一般通过具有面板结构的工作文件 （Panel workfile）进行分析。利用面板结构的工作文件 可以实现变截距Panel Data模型以及动态Panel Data模型 的估计。
4
10.1.1 含有Pool对象的工作文件
Pool对象在EViews中扮演着两种角色。首先，Pool对 象中包含了一系列的标识名。这些标识名描述了工作文件 中的面板数据的数据结构。在这个角色中，Pool对象在管 理和处理面板数据上的功能与组对象有些相似。其次，利 用Pool对象中的过程可以实现对各种Panel Data模型的估 计及对估计结果的检验和处理。在这个角色中，Pool对象 与方程对象有些相似
3
10.1 Pool对象
EViews对Panel Data模型的估计是通过含有Pool对象 的工作文件和具有面板结构的工作文件来实现的。
处理面板数据的EViews对象称为Pool。通过Pool对象 可以实现对各种变截距、变系数时间序列模型的估计，但 Pool对象侧重分析“窄而长”的数据，即截面成员较少， 而时期较长的侧重时间序列分析的数据。
10
4. 观察或编辑Pool定义 要显示Pool中的截面成员识别名称，单击工具条的 Define按钮，或选择View/Cross-Section Identifiers。如果需 要，也可以对识别名称列进行编辑。
Eview60 手把手教你用eviews做panel模型(详细)
二、堆积数据
选择View/Spreadsheet（stacked data），EViews会要求输入序列名列表
确认后EViews会打开新建序列的堆积式数据表。我们看到的是按截 面成员堆积的序列，Pool序列名在每列表头，截面成员/年代识别符标识 每行：
9
Pool数据排列成堆积形式，一个变量的所有数据放在一起，和其他
少，以及进行数据估计。
本章将主要介绍怎样建立Pool数据以及定义和处理Pool对象。
1
§25.1 Pool对象
Pool对象的核心是建立用来表示截面成员的名称表。为明显起见，名
称要相对较短。例如，国家作为截面成员时，可以使用 USA 代表美国，
CAN代表加拿大，UK代表英国。 定义了Pool的截面成员名称就等于告诉了EViews，模型的数据结构。 在上面的例子中，EViews会自动把这个Pool理解成对每个国家使用单独的 时间序列。 必须注意，Pool对象本身不包含序列或数据。一个Pool对象只是对基 本数据结构的一种描述。因此，删除一个Pool并不会同时删除它所使用的 序列，但修改Pool使用的原序列会同时改变Pool中的数据。
4
二、观察或编辑Pool定义
要显示Pool中的截面成员识别名称，单击工具条的Define按钮，或选择 View/Cross-Section Identifiers。如果需要，也可以对识别名称列进行编辑。
三、使用Pool和序列
Pool中使用的数据都存在普通EViews序列中。这些序列可以按通常方式 使用：可以列表显示，图形显示，产生新序列，或用于估计。也可以使用 Pool对象来处理各单独序列。
把识别名称放在序列名的前面，中间或后面并没什么关系，只要易于识
别 就 行 了 。 但 是 必 须 注 意 要 保 持 一 致 ， 不 能 这 样 命 名 序 列 ： JPNGDP ， GDPUSA，UKGDP1，因为EViews无法在Pool对象中识别这些序列。
eviews面板数据模型分析——面板数据模型与应用
2.2 固定效应模型（fixed effects model） 。
解释设定个体固定效应模型的原因。假定有面板数据模型 yit = 0 + 1 xit +2 zi +it, i = 1, 2, …, N; t = 1, 2, …, T 其中0 为常数， 不随时间、 截面变化；每个个体回归函数的斜率1 相同； zi 表示随个体变化，但不随时间变化的难以观测的变量。上述模型可以 被解释为含有 N 个截距，即每个个体都对应一个不同截距的模型。令 i = 0 +2 zi，于是变为 yit = i + 1 xit +it, i = 1, 2, …, N; t = 1, 2, …, T 以家庭消费性支出与可支配收入关系为例， 省家庭平均人口数就是这样 的一个变量，即对于短期面板，这是一个基本不随时间变化的量，但是 对于不同的省份，这个变量的值是不同的。 因为 zi 是不随时间变化的量， 所以当对个体固定效应模型中的变量进行 差分时，可以剔除那些随个体变化，但不随时间变化的 zi 的影响。
yit = i + Xit ' +it, i = 1, 2, …, N; t = 1, 2, …, T
其中i是随机变量，表示对于i个个体有i个不同的截距项，且其变化与Xit 有关系；Xit为k 1阶回归变量列向量（包括k个回归量），为k 1阶回归 系数列向量，对于不同个体回归系数相同，yit为被回归变量（标量），it 为误差项（标量），则称此模型为个体固定效应模型。
2.2 固定效应模型（fixed effects model） 。
个体固定效应模型的强假定条件是， E(iti, Xit) = 0, i = 1, 2, …, N
i 作为随机变量描述不同个体建立的模型间的差异。 因为i 是不可观测
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。
- 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)。
8
例10.4中I?的一阶差分变量的所有方法的单位根检验结果:
所有P值均小于 0.05，说明平稳
各种方法的结果都拒绝原假设，所以可
以得出结论： I?是I(1)的。
9
第三步 平稳性检验后分析路径选择
平稳性检验后若： 变量之间是非同阶单整 请点 思路一 序列变换 变量之间是同阶单整 请点 思路二 协整检验
第十章 Panel Data模型
第一步 录入数据 第二步 第三步 平稳性检验后分析路径选择 第四步 协整检验` 第五步 回归模型
1
第一步 录入数据 一 请点 实例数据 二 请点 录入数据软件操作
2
实例数据
录入企业投资需求模型数据：五家企业和三个变量的20个年度 （1935-1954年）观测值的时间序列 （数据略）
View/Spreadsheet View：i? m? k?
第二步 分析数据的平稳性（单位根检验） 请点 说明 请点 软件操作 结果 点检验结果1 结果2
5
分析数据的平稳性（单位根检验）说明 注：所有序列者要检验
原：不稳定（Hadri 除外， Hadri 中 原：稳定）
目的：防止虚假回归或伪回归
5家企业： GM：通用汽车公司 CH：克莱斯勒公司 GE：通用电器公司
3个变量： I ：总投资 M ：前一年企业的市场价值 （反映企业的预期利润）
WE：西屋公司 US：美国钢铁公司
K ：前一年末工厂存货和设备的价值
（反映企业必要重置投资期望值）
3
录入 数据软件操作（EVIEW6.0） 方式一
Workfile Workfile structure type ： Dated-regular frequency
10
思路一：变量之间是非同阶单整 ：序列变换
◎变量之间是非同阶单整的指即面板数据中有些序列平稳而有些序列不平稳，
此时不能进行协整检验与直接对原序列进行回归。
◎对序列进行差分或取对数使之变成同阶序列
若变换序列后均为平稳序列可用变换后的序列直接进行回归
思路二 若变换序列后均为同阶非平稳序列，则请点
11
方法：
相同根下：LLC、Breintung 、 Hadri
不同根下：IPS、ADF-Fisher 和PP-Fisher5
模式：
三种检验模式：既有趋势又有截距、只有截距、以上都无（对面板序列绘制时
序图做出模式选择）。
秩序：水平（level）、一阶差分、二阶甚至高阶差分直至序列平稳为止。
备注：ADF检验是通过三个模型来完成，首先从含有截距和趋势项的模型开始，
填写序列 名
选择检验 方法
填写秩序
右边 所有 栏目 软件
自动 填写 无需 更改
填写模式，先做 序列图再选择
7
例10.4中I?的水平变量的所有方法的单位根检验结果:
只有此处小于 0.05,说明除此 法外都认为非
平稳
各种方法的结果(除Breitung检验 外)都接受原假设，
I?存在单位根，是非平稳的。
再检验只含截距项的模型，最后检验二者都不含的模型。并且认为，只有三个模
型的检验结果都不能拒绝原假设时，我们才认为时间序列是非平稳的，而只要其
中有一个模型的检验结果拒绝了零假设，就可认为时间序列是平稳的。
6
分析数据的平稳性软 件 操 作
在Pool对象，View/Unit Root Test，输入相应的Pool序列名
H0： = 1 H1 ：(i = )< 1
Panel rho-Statistic Panel PP-Statistic Panel ADF-Statistic Group-rho-Statistic Group PP-Statistic Group ADF-Statistic
-3.415758（0.0012）* -5.991403（0.0000）* -7.835311（0.0000）* -0.837712（0.2809） -6.990581（0.0000）* -7.194068（0.0000）*
15
表10.8 Kao检验和Pedroni检验结果 (滞后阶数由SIC准则确定)
检验方法 检验假设
统计量名
统计量值（P值）
Kao检验 H0： = 1
ADF
-6.787326（0.0000）*
Panel v-Statistic
2.099652（0.044）*
H0： = 1 H1 ：(i = )< 1 Pedroni检 验
12
协整检验 说 明
原：不存在协整
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检验和Kao检验；另 一类是建立在Johansen协整检验基础上的面板协整检验。
1．Pedroni检验 2．Kao检验 3．Johansen面板协整检验
13
协整检验操作
Pool序列的协整检验 ※在EViews中打开pool对象，选
择Views/ Cointegration Test…， 则显示协整检验的对话框。
图10.6 面板数据的协整检验的对话框
14
Pedroni检验：
原假设：无协 整关系
此栏目下P值 均小于0.05 存在协整关系
此栏目下P值均 两个小于0.05 存在协整关系 一个大于0.05， 不支持协整
方式二（方式是否正确，有待考证）
Workfile Workfile structure type ： Balanced Panel
Start date 1935 End date 1954 Number of cross 1 OK Cross Section Identifiers:_GM _CH _GE _WE _US
Start date 1935 End date 1954 OK Objects/New Object ： Type of Object pool OK Cross Section Identifiers:_GM _CH _GE _WE _US
View/Spreadsheet View：i? m? k?
思路二 变量之间是同阶单整：协整检验
请点协整检验说明 请点 软件操作 结果判定请点 1 2 3 协整检验通过：
请点因果分析. 请点回归分析 协整检验没通过： 若均为2阶单整，则都取差分或都取对数生成新序列进行单位根 检验否是1阶单整（取差分或对数后都会变成1阶单整），如是 对新序列进行协整检验，如无法达成协整，分析终止。 若均为1阶单整，直接全取差分或全取对数，进行回归分析