面板数据模型
面板数据模型
面板数据模型面板数据模型是指在经济学和社会科学领域中，用于分析面板数据的统计模型。
面板数据是指在一定时间内对同一组体（如个人、家庭、企业等）进行多次观测的数据集合。
面板数据模型的主要目的是研究个体特征和时间变化对观测变量的影响。
面板数据模型可以分为固定效应模型和随机效应模型两种。
固定效应模型假设个体固定特征对观测变量有影响，而随机效应模型则认为这些个体固定特征与观测变量之间存在随机关系。
在面板数据模型中，通常会使用一些常见的统计方法，如最小二乘法（OLS）和固定效应模型（FE）。
最小二乘法是一种常见的回归分析方法，用于估计模型中的参数。
固定效应模型则通过引入个体固定效应来控制个体特征对观测变量的影响。
面板数据模型的优势在于可以同时考虑个体特征和时间变化对观测变量的影响，从而提供更准确的分析结果。
此外，面板数据模型还可以解决传统的截面数据和时间序列数据模型所存在的一些问题，如异质性和序列相关性等。
为了使用面板数据模型进行分析，需要满足一些基本的假设，如面板数据的一致性、个体固定效应的异质性、个体特征与观测变量之间的线性关系等。
同时，还需要对数据进行一些预处理，如去除异常值、缺失值处理等。
在实际应用中，面板数据模型被广泛应用于经济学、金融学、社会学等领域的研究中。
例如，可以使用面板数据模型来研究个体收入与教育水平、劳动力市场参预率之间的关系，或者分析企业绩效与市场环境、管理策略的关系等。
总之，面板数据模型是一种用于分析面板数据的统计模型，通过考虑个体特征和时间变化对观测变量的影响，提供了一种更准确的分析方法。
在实际应用中，面板数据模型可以匡助研究人员深入理解个体和时间的交互作用，从而得出更可靠的结论。
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。
面板数据模型
面板数据模型面板数据模型是一种用于分析和预测数据的统计模型。
它广泛应用于经济学、金融学、市场营销和社会科学等领域，用于研究变量之间的关系和影响因素。
面板数据模型可以有效地处理时间序列和横截面数据的问题，具有很高的灵活性和准确性。
面板数据模型的基本假设是存在个体间的异质性，并且个体间的异质性是固定的。
这意味着个体之间的差异不随时间而变化。
面板数据模型可以分为固定效应模型和随机效应模型两种。
固定效应模型假设个体间的差异是固定的，不随时间变化。
该模型可以通过引入个体固定效应来控制个体间的差异。
个体固定效应可以捕捉到个体特有的影响因素，如个体的天赋能力、个体的经验等。
固定效应模型的估计方法包括最小二乘法和差分法。
随机效应模型假设个体间的差异是随机的，可以用一个随机项来表示。
该模型可以通过引入个体随机效应来控制个体间的差异。
个体随机效应可以捕捉到个体间的随机波动。
随机效应模型的估计方法包括广义最小二乘法和随机效应模型估计法。
面板数据模型的优点在于可以利用个体间和时间间的差异来进行分析，从而控制了个体间和时间间的混淆因素。
面板数据模型可以提供更准确和稳健的估计结果，增强了研究的可信度和可解释性。
面板数据模型的应用非常广泛。
在经济学中，面板数据模型可以用于研究经济增长、收入分配、劳动力市场等问题。
在金融学中，面板数据模型可以用于研究股票市场、利率市场等问题。
在市场营销中，面板数据模型可以用于研究消费者行为、市场竞争等问题。
在社会科学中，面板数据模型可以用于研究教育、健康、犯罪等问题。
总之，面板数据模型是一种强大的分析工具，可以帮助研究人员更好地理解和预测数据。
面板数据模型的应用范围广泛，可以应用于各种领域的研究。
通过合理选择模型和估计方法，可以得到准确和稳健的结果，为决策提供有力支持。
面板数据模型
面板数据模型面板数据模型是一种用于描述和管理数据的结构化模型，通常在数据可视化和报表工具中使用。
它是一种将数据组织起来以便于分析和展示的方法，能够帮助用户更好地理解数据之间的关系和趋势。
1. 面板数据模型的基本概念面板数据模型由多个方面组成，其中包括：•数据表：数据表是面板数据模型的基本组成单元，用于存储具体的数据记录。
每个数据表由多行和多列组成，其中每行代表一个数据记录，每列代表一个数据字段。
•关系：在面板数据模型中，不同数据表之间可以存在各种关系，如一对一、一对多、多对多等。
这些关系描述了数据表之间的连接方式，有助于进行跨表查询和分析。
•维度和度量：在面板数据模型中，数据字段通常被分为维度和度量两类。
维度字段用于描述数据的特征和属性，而度量字段则用于表示数据的数值信息。
维度字段通常用于分组和筛选数据，而度量字段则用于进行统计和计算。
2. 面板数据模型的设计原则设计一个有效的面板数据模型需要遵循一些基本原则，包括：•清晰简洁：面板数据模型应该保持清晰简洁，避免过多的冗余数据和复杂的关系结构，以提高数据的可理解性和可维护性。
•灵活性：面板数据模型应该具有一定的灵活性，能够适应不同的业务需求和数据变化，同时还要保持数据的一致性和稳定性。
•性能优化：在设计面板数据模型时，需要考虑到数据的规模和性能要求，避免数据表过大或关系过于复杂，以确保数据查询和分析的效率。
3. 面板数据模型的应用场景面板数据模型广泛应用于各种数据分析和报表展示场景，包括：•市场分析：通过面板数据模型可以分析市场的趋势和竞争情况，帮助企业制定市场策略和产品定位。
•销售分析：通过面板数据模型可以分析销售数据和客户行为，预测销售趋势和制定销售计划。
•运营监控：通过面板数据模型可以监控业务的关键指标和运营情况，及时发现问题并采取措施解决。
总的来说，面板数据模型是一种重要的数据管理和分析工具，能够帮助用户更好地理解和利用数据，为决策提供支持和参考。
面板数据模型
面板数据模型引言概述：面板数据模型是一种经济学和统计学领域常用的数据分析方法，它能够有效地处理时间序列和横截面数据的结合。
本文将介绍面板数据模型的概念、应用领域以及其在实证研究中的优势。
一、概述面板数据模型1.1 面板数据模型的定义面板数据模型是一种将时间序列和横截面数据结合起来的统计模型。
它包含了多个个体（cross-section）在多个时间点（time period）上的观测数据。
面板数据模型可以分为固定效应模型和随机效应模型两种类型。
1.2 面板数据模型的应用领域面板数据模型广泛应用于经济学、金融学、社会科学等领域的实证研究中。
它可以用于分析个体间的差异、时间变化以及两者之间的相互作用。
面板数据模型可以匡助研究者更准确地捕捉数据的动态特征，从而提高研究的可信度和准确性。
1.3 面板数据模型的优势面板数据模型相比于传统的时间序列或者横截面数据模型具有以下优势：（1）更多的信息：面板数据模型结合了时间序列和横截面数据，可以提供更多的信息，从而增加了研究的可靠性。
（2）更强的效率：面板数据模型可以利用个体间和时间间的差异，提高模型的效率和准确性。
（3）更广泛的应用：面板数据模型可以适合于各种数据类型，包括面板数据、平衡面板数据和非平衡面板数据等。
二、固定效应模型2.1 固定效应模型的基本原理固定效应模型假设个体间存在不可观测的个体固定效应，即个体特征对因变量的影响在模型中是固定的。
通过控制个体固定效应，固定效应模型可以更准确地估计其他变量对因变量的影响。
2.2 固定效应模型的估计方法固定效应模型的估计方法包括最小二乘法（OLS）和差分法（Difference-in-Differences）。
最小二乘法可以通过控制个体固定效应来估计其他变量的系数。
差分法则通过个体间的差异来估计因果效应。
2.3 固定效应模型的应用案例固定效应模型可以应用于许多实证研究中，例如研究个体间的收入差距、教育对收入的影响等。
面板数据模型
面板数据模型
面板数据模型是一种用于描述面板数据结构的模型。
面板数据是指在时间序列和横截面数据结构的基础上，增加了一个维度，即个体或者单位。
面板数据通常用于经济学、社会学、金融学等领域的研究中，可以更准确地分析个体或单位在时间和空间上的变化。
面板数据模型通常由三个组成部分构成：个体维度、时间维度和变量维度。
个体维度表示研究对象，可以是个人、家庭、公司等；时间维度表示观察的时间点，可以是年、季度、月份等；变量维度表示研究的变量，可以是经济指标、社会指标等。
面板数据模型的优势在于可以同时考虑个体和时间的变化，可以更好地捕捉到个体或单位在不同时间点的变化趋势。
同时，面板数据模型还可以减少个体差异和时间趋势的混淆，提高了数据的可靠性和有效性。
在面板数据模型中，常用的分析方法包括固定效应模型和随机效应模型。
固定效应模型假设个体的特征对因变量的影响是固定的，而随机效应模型则允许个体的特征对因变量的影响是随机的。
根据具体的研究问题和数据特点，可以选择适合的模型进行分析。
面板数据模型的建立需要注意以下几点：首先，要确保数据的质量和完整性，排除异常值和缺失值的影响；其次，要考虑个体和时间的选择，根据研究问题确定研究对象和观察时间点；最后，要选择合适的模型进行分析，并进行模型检验和结果解释。
总结起来，面板数据模型是一种描述面板数据结构的模型，可以更准确地分析个体或单位在时间和空间上的变化。
在建立面板数据模型时，需要考虑数据的质量和完整性，选择合适的个体和时间，并选择适合的模型进行分析。
面板数据模型在经济学、社会学、金融学等领域的研究中具有重要的应用价值。
面板数据模型
面板数据模型面板数据模型（Panel Data Model）是一种经济学和统计学中常用的数据分析方法，它允许研究人员在时间和个体维度上分析数据。
该模型结合了截面数据（Cross-sectional Data）和时间序列数据（Time Series Data），能够捕捉到个体间的异质性和时间的动态变化。
面板数据模型的基本假设是个体间存在固定效应（Fixed Effects）和时间效应（Time Effects），即个体特定的不变因素和时间特定的不变因素会对观测数据产生影响。
通过控制这些效应，面板数据模型可以更准确地估计变量之间的关系。
面板数据模型的普通形式可以表示为：Yit = α + βXit + εit其中，Yit表示第i个个体在第t个时间点的观测值，α是截距项，β是自变量Xit的系数，εit是误差项。
面板数据模型可以通过固定效应模型（Fixed Effects Model）和随机效应模型（Random Effects Model）来估计参数。
固定效应模型假设个体间的差异是固定的，即个体特定的不变因素对观测数据产生影响。
该模型通过引入个体固定效应来控制个体间的差异，估计其他变量对因变量的影响。
随机效应模型假设个体间的差异是随机的，即个体特定的不变因素对观测数据不产生影响。
该模型通过引入个体随机效应来控制个体间的差异，估计其他变量对因变量的影响。
面板数据模型的估计方法包括最小二乘法（Ordinary Least Squares, OLS）、固定效应估计法（Fixed Effects Estimation）和随机效应估计法（Random Effects Estimation）。
最小二乘法是一种常用的估计方法，但在面板数据模型中存在一致性问题。
固定效应估计法通过个体间的差异来估计参数，可以解决一致性问题。
随机效应估计法则通过个体间和时间间的差异来估计参数，可以更全面地捕捉到数据的变化。
面板数据模型在经济学和社会科学研究中具有广泛的应用。
面板数据模型
面板数据模型面板数据模型是一种用于分析和预测数据的统计模型。
它通过整合多个观测变量和时间维度来描述数据的动态变化和相互关系。
面板数据模型也被称为纵向数据模型、多级数据模型或者追踪数据模型。
面板数据模型的主要特点是能够同时考虑个体间的差异和时间上的变化。
它允许我们探索个体特征对于数据变化的影响，并且可以分析个体和时间的交互作用。
面板数据模型的应用范围广泛，包括经济学、社会学、医学、环境科学等领域。
在面板数据模型中，我们通常将数据分为两个维度：个体维度和时间维度。
个体维度表示我们观察的个体，可以是人、公司、地区等；时间维度表示观测的时间点，可以是年、月、周等。
通过将个体和时间维度结合起来，我们可以获得更加全面和准确的数据分析结果。
面板数据模型可以用于多种分析方法，包括描述统计、回归分析、时间序列分析等。
其中，最常用的方法是固定效应模型和随机效应模型。
固定效应模型假设个体间的差异是固定的，而随机效应模型假设个体间的差异是随机的。
在面板数据模型中，我们可以通过以下步骤进行分析：1. 数据准备：收集个体和时间维度的数据，并进行清洗和整理。
确保数据的完整性和准确性。
2. 描述统计分析：对数据进行描述性统计，包括计算均值、方差、相关系数等。
通过描述统计分析，我们可以初步了解数据的特征和分布。
3. 固定效应模型：使用固定效应模型来分析个体间的差异对数据变化的影响。
固定效应模型可以控制个体间的差异，并且可以估计个体特征对数据的影响。
4. 随机效应模型：使用随机效应模型来分析个体间的差异对数据变化的影响。
随机效应模型可以考虑个体间的随机差异，并且可以估计个体特征对数据的影响。
5. 时间序列分析：对数据进行时间序列分析，包括趋势分析、周期分析、季节性分析等。
时间序列分析可以揭示数据的时间变化规律和趋势。
6. 模型评估和预测：对模型进行评估，并使用模型进行数据预测。
通过模型评估和预测，我们可以评估模型的准确性和可靠性。
面板数据模型
面板数据模型面板数据模型，又称固定效应模型，是计量经济学中常用的一种数据分析方法。
它适用于时间序列和截面数据的联合分析，具有较高的灵活性和强大的解释能力。
本文将对面板数据模型的基本原理、应用场景以及估计方法进行介绍，并通过实例说明其实际运用。
第一部分：面板数据模型的基本原理面板数据模型基于以下假设：每个个体（又称单位）在不同时间点都有观测值，并且个体之间的观测值具有相关性。
面板数据模型通常由固定效应模型和随机效应模型两种形式。
固定效应模型假设个体特定的不变因素对观测值产生了影响，这些不变因素可能包括个体的性别、年龄、学历等。
固定效应模型可以通过引入个体固定效应变量来捕捉这些影响因素，并以此来解释观测值的变动。
第二部分：面板数据模型的应用场景面板数据模型在经济学、金融学、社会学等领域得到了广泛的应用。
例如，在经济学中，研究人员可以利用面板数据模型来分析不同国家或地区的经济增长情况，探讨政策对经济发展的影响；在金融学领域，研究人员可以运用面板数据模型来研究股票价格的波动和影响因素。
第三部分：面板数据模型的估计方法面板数据模型有多种估计方法，常见的有固定效应模型估计和随机效应模型估计。
固定效应模型估计通常采用最小二乘法，即通过对个体固定效应进行回归分析来求解模型参数。
随机效应模型估计则假设个体固定效应是误差项的一部分，通过对固定效应进行随机化处理得到模型的估计结果。
实例应用：假设我们需要研究不同地区的教育水平对经济增长的影响，我们可以使用面板数据模型来分析这个问题。
我们收集了10个地区在2010年到2020年的经济增长率和教育水平数据。
我们可以利用固定效应模型来探究教育水平对经济增长的影响。
首先，我们创建一个包含个体固定效应的面板数据模型，并使用最小二乘法来估计参数。
然后，我们通过分析模型的显著性水平、参数估计结果以及模型拟合程度来得出结论。
通过面板数据分析，我们可以发现教育水平对经济增长确实存在显著的正向影响。
面板数据模型介绍
融合发展的方法可以充分利用各种方法的优点，提高模型的预测精度和稳 定性。
融合发展的方法有助于解决复杂的数据分析问题，促进相关领域的发展和 应用。
THANKS FOR WATCHING
感谢您的观看
公司财务数据的面板数据模型分析
要点一
总结词
要点二
详细描述
公司财务数据的面板数据模型分析是评估公司财务状况和 经营绩效的有效手段。
通过收集公司在一段时间内的财务数据，如收入、利润、 资产负债表等，利用面板数据模型分析这些数据的动态变 化，可以评估公司的盈利能力、偿债能力和运营效率，为 投资者和债权人提供决策依据。
02 面板数据模型的类型
固定效应模型
01
固定效应模型是一种用于面板数据分析的统计模型，它通过控 制个体和时间特定效应来估计变量的影响。
02
该模型假设个体和时间特定效应是恒定的，不会随着自变量的
变化而变化。
它主要用于消除个体和时间特定效应对估计的影响，以更好地
03
解释变量的影响。
随机效应模型
01
02
该模型同时控制个体和时间特定效应，并允许它们在某些情 况下随自变量的变化而变化。
03
它适用于当个体和时间特定效应对解释变量有不同程度的影 响时的情况。
其他类型
其他类型的面板数据模型包括空间面板数据模型、动态面板 数据模型等。
这些模型在特定的研究领域和应用场景中有其特定的用途和 优势。
03 面板数据模型的估计方法
面板数据模型介绍
目录
• 面板数据模型概述 • 面板数据模型的类型 • 面板数据模型的估计方法 • 面板数据模型的检验与诊断 • 面板数据模型的应用案例 • 面板数据模型的发展趋势与展望
- 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)。
CP1996 CP1997 CP1998 CP1999 CP2000 CP2001 CP2002
CP_IAH CP_IBJ CP_IFJ CP_IHB CP_IHLJ
CP_IJL CP_IJS CP_IJX CP_ILN CP_INMG
6000
5000
4000
3000
2000 2000
4000
IP
6000 8000 10000 12000 14000 IPCROSS
11000 CP_ISD CP_ISH 10000 CP_ISX CP_ITJ 9000 CP_IZJ 8000
7000
6000
5000
4000
3000
2000 2000
4000
6000
IP_I 8000 10000 12000 14000
9.2
LOG(CP1999)
9.0
8.8
6000
8.6
5000
8.4
40008ຫໍສະໝຸດ 23000 2000IP
8.0
2000 4000 6000 8000 10000 12000 14000 7.8
IPCROSS
8.0 8.2 8.4 8.6 8.8 9.0 9.2 9.4 9.6
LOG(IPCROSS)
12000 10000 8000 6000 4000 2000 0
安徽 北京 福建 河北 黑龙江 吉林 江苏 江西 辽宁 内蒙古 山东 上海 山西 天津 浙江
安徽 河北 江苏 内蒙古 山西 1996 1999 2002 浙江 山西 山东 辽宁 江苏 黑龙江 福建 安徽 1996 1998 2000 2002
面板数据散点图 15 个地区 7 年人均消费对收入的面板数据散点图见图 6 和图 7。
图 6 中每一种符号代表一个年度的截面散点图（共 7 个截面）。相当于 观察 7 个截面散点图的叠加。图 7 中每一种符号代表一个省级地区的 7 个观测点组成的时间序列。相当于观察 15 个时间序列。
11000 10000
14000 12000 10000
8000 6000 4000 2000
0
1996 1997 1998 1999 2000 2001 2002
14000 12000 10000 8000 6000 4000 2000 0
安徽 北京 福建 河北 黑龙江 吉林 江苏 江西 辽宁 内蒙古 山东 上海 山西 天津 浙江
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。
案例 1（file:5panel02）：1996-2002 年中国东北、华北、华东 15 个省级 地区的居民家庭固定价格的人均消费（CP）和人均收入（IP）数据。数据 是 7 年的，每一年都有 15 个数据，共 105 组观测值。
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）。 对于面板数据 yi t, i = 1, 2, …, N; t = 1, 2, …, T，如果每个个体在相同的时期
内都有观测值记录，则称此面板数据为平衡面板数据（balanced panel data）。 若面板数据中的个体在相同时期内缺失若干个观测值，则称此面板数据为非平 衡面板数据（unbalanced panel data）。
1．面板数据定义 面板数据分两种特征：（1）个体数少，时间长。（2）个体数多，时间短。
面板数据主要指后一种情形。 面板数据用双下标变量表示。例如
yi t, i = 1, 2, …, N; t = 1, 2, …, T i 对应面板数据中不同个体。N 表示面板数据中含有 N 个个体。t 对应面板数据 中不同时点。T 表示时间序列的最大长度。若固定 t 不变，yi ., ( i = 1, 2, …, N)是
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。时间序列数据是变量按时间得到
的数据；截面数据是变量在固定时点的一组数据。面板数据是同时在时间和截 面上取得的二维数据。所以，面板数据（panel data）也称作时间序列与截面混 合数据（pooled time series and cross section data）。面板数据是截面上个体在不 同时点的重复观测数据。
panel 原指对一组固定调查对象的多次观测，近年来 panel data 已经成为 专业术语。
面 板 数 据 从 横 截 面 （ cross section ） 看 ， 是 由 若 干 个 体 （ entity, unit, individual）在某一时点构成的截面观测值，从纵剖面（longitudinal section）看 每个个体都是一个时间序列。
File：panel02c
图 7 对数的人均消费对收入的面板数据散点图
本例用对数研究更合理
面板数据模型与应用
1．面板数据定义 为了观察得更清楚，图 8 给出北京和内蒙古 1996-2002 年消费对收入散点图。从图中
可以看出，无论是从收入还是从消费看内蒙古的水平都低于北京市。内蒙古 2002 年的收 入与消费规模还不如北京市 1996 年的大。图 9 给出该 15 个省级地区 1996 和 2002 年的 消费对收入散点图。6 年之后 15 个地区的消费和收入都有了相应的提高。
图6
图7
用原变量建模还是用对数变量建模?
11000 10000
9000 8000 7000
CP1996 CP1997 CP1998 CP1999 CP2000 CP2001 CP2002
LOG(CP1996) LOG(CP2000)
9.4
LOG(CP1997) LOG(CP2001)
LOG(CP1998) LOG(CP2002)
人均消费和收入两个面板数据都是平衡面板数据，各有 15 个个体。
安徽 河北 江苏 内蒙古 山西 1996 1998 2000 2002
山西 内蒙古 江苏 河北 安徽 1996 1999 2002
1996 1997 1998 1999 2000 2001 2002
12000 10000 8000 6000 4000 2000 0