面板数据分析案例
案例三：中国各城市居民消费分析
案例三：中国各城市居民消费分析（一）案例目标生产，收入、分配与使用，体现了社会经济运动的循环过程。
收入分配是这个过程的中间环节，承前启后。
收入分配核算构成了国民经济核算的最重要组成部分中之一，涉及多个账户，核算内容包括国民收入的初次分配、再分配、可支配收入和使用核算。
本案例以收入使用中的居民消费结构为目标，分析不同时期我国城镇居民消费构成的差异及其发展变化过程。
（二）案例背景我国从确立市场经济体制以后，社会经济迅速发展，居民的收入水平和消费水平有了显著的提高。
然而消费需求不足仍是我国制约经济进一步发展的重要原因之一。
地区差距及时间的变迁，使得居民在消费行为上存在很大的差异。
因此研究地区差异和时间变化对居民消费行为的影响，对有效制定地区消费政策、促进地区乃至全国经济增长有着经济的意义。
（三）分析方法Panel-Data就是“平行数据”或“面板数据”。
它是指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。
因此，平行数据模型相较于只利用截面数据或只利用时间序列数据的模型而言，有着不可替代的作用。
它可以从多层面分析经济问题，具有很高的应用价值。
本文需要对收入差距较大的各城市居民消费行为进行分析，同时又要考虑到不同年份收入对消费的不同影响，因此，该模型适合分析的需要。
1．Panel Data模型截面数据是选择同一时间上不同区域的数据作为样本观测值，而时间序列数据是选择同一区域在不同时间上的数据作为样本观测值，二者在实际应用中都有一定的局限性。
相对只利用截面数据或只利用时间序列数据进行经济分析而言，Panel Data模型具有许多优点。
首先，Panel Data模型通过对不同截面单元不同时间观察值的结合，成为“更多信息、更可变、变量之间更少共线性、更多自由度、更有效”的数据。
它通常提供给研究者大量的数据点，这样就增加了自由度并减少了解释变量之间的共线性，改进了计量经济估计的有效性；第二，Panel Data是对同一截面单元集进行重复观察，能更好地研究经济行为变化的动态性。
面板数据模型的检验方法研究
面板数据模型的检验方法研究一、本文概述在统计学和经济学的实证研究中，面板数据模型已经成为了一种非常重要的工具。
由于其能够同时考虑时间序列和横截面数据的信息，使得模型设定更加丰富，能够更好地刻画现实世界的复杂性。
然而，随着面板数据模型应用的广泛，如何对其进行准确且有效的检验，确保模型的适用性和预测准确性，成为了亟待解决的问题。
本文旨在探讨面板数据模型的检验方法，以期为相关领域的实证研究提供有益的参考。
具体而言，本文首先将对面板数据模型的基本理论进行梳理，明确其特点和适用场景。
然后，将详细介绍面板数据模型的常见检验方法，包括但不限于单位根检验、协整检验、模型设定检验等。
这些检验方法不仅能够检验模型的内在稳定性和一致性，还能为模型参数的估计和预测提供重要依据。
本文还将对面板数据模型检验方法的最新研究进展进行综述，以期为读者提供全面的视角。
本文将通过实际案例分析，演示面板数据模型检验方法的应用，从而增强文章的实用性和操作性。
总体而言，本文期望通过对面板数据模型检验方法的深入研究，为相关领域的研究者提供一套系统、完整的检验方法体系，以推动面板数据模型在实证研究中的应用和发展。
二、面板数据模型理论基础面板数据模型（Panel Data Model）是计量经济学中一个重要的分析工具，它能够同时处理横截面和时间序列两个维度的数据。
面板数据模型不仅能够控制不可观测的异质性，提高估计效率，还能更好地捕捉数据的动态特征。
因此，面板数据模型在经济、金融、社会学等领域得到了广泛的应用。
面板数据模型的理论基础主要建立在三大类别之上：固定效应模型、随机效应模型和混合效应模型。
固定效应模型假设每个个体的截距项是固定的，不同个体之间的截距项存在差异，但不随时间变化。
随机效应模型则假设截距项是随机的，并且与解释变量不相关。
混合效应模型则假设所有个体的截距项都相同，没有考虑个体差异。
在实际应用中，研究者通常需要根据样本数据和研究目的选择合适的模型。
面板数据分析案例
面板数据分析案例面板数据分析案例：基于电商网站用户行为的深度研究本文将通过分析电商网站用户行为数据，探讨如何利用面板数据分析技术来深入了解用户行为并为企业制定有效的营销策略。
一、引言随着互联网的快速发展，电商网站正逐渐成为人们日常生活的重要组成部分。
然而，在竞争激烈的电商市场中，如何准确把握用户行为并制定个性化的营销策略成为企业亟待解决的问题。
面板数据分析作为一种强大的统计方法，能够有效地揭示电商用户行为模式，为企业的决策提供有力支持。
二、关键词面板数据、电商网站、用户行为、数据分析、营销策略三、数据分析1、数据来源与处理本次研究数据来源于某电商网站的注册用户行为数据。
我们选择了连续6个月的用户浏览、购买和点击等行为数据，通过数据清洗和预处理，去除无效数据和缺失值。
2、描述性统计通过描述性统计，我们发现用户浏览商品的平均时长为3分钟，购买率为20%，平均每次浏览页面3个。
此外，用户在上午10点和晚上9点有两个浏览高峰。
3、相关性分析通过相关性分析，我们发现用户浏览时长与购买率显著正相关，而购买率与用户活跃度（浏览次数）也呈正相关。
此外，用户活跃度还与用户年龄和收入水平有关。
4、回归分析在面板数据的基础上，我们构建了固定效应模型进行回归分析。
结果显示，用户浏览时长对购买率的影响最大，其次是用户活跃度和收入水平。
此外，我们还发现用户活跃度与购买率之间存在滞后效应。
四、案例剖析以某个电商网站为例，我们根据上述数据分析结果，针对不同用户群体制定个性化的营销策略。
对于年轻用户，由于其活跃度高，可以针对他们的浏览习惯推荐更多相关商品；对于中年用户，由于其购买力较强，可以提供更多的优惠活动以刺激购买欲望；对于老年用户，由于其浏览时长较长，可以提供专业的导购服务以提高购买率。
五、结论与建议通过本次面板数据分析案例，我们得出以下结论：首先，用户浏览时长对购买率的影响最大，因此电商平台应优化用户体验，提高用户留存率；其次，用户活跃度与购买率之间存在滞后效应，企业应关注用户的长期活跃度；最后，针对不同年龄段的用户，应采取个性化的营销策略，以提高营销效果。
面板数据分析案例
面板数据分析案例一、翻开数据利用stata软件翻开数据gurnfeld.dta，得到有关第一步，声明截面变量和时间变量。
命令为：tsset pany year或xtset pany year显示：panel variable: pany (strongly balanced)time variable: year, 1935 to 1954delta: 1 year第二步，进展样本的描述性统计。
首先我们看看样本的大体分布情况，命令为：xtdespany: 1, 2, ..., 10 n = 10 year: 1935, 1936, ..., 1954 T = 20Delta(year) = 1 yearSpan(year) = 20 periods(pany*year uniquely identifies each observation)Distribution of T_i: min 5% 25% 50% 75% 95% max20 20 20 20 20 20 20Freq. Percent Cum. | Pattern---------------------------+----------------------10 100.00 100.00 | 111---------------------------+----------------------10 100.00 | XXXXXXXXXXXXXXXXXXXX接下来，我们列示出样本中主要变量的根本统计量，命令为：xtsumxtsum invest mvalue kstock我们发现统计结果是按照"整体"、"组间"和"组"三个层次进展的。
当然，你也可以采用sum 命令来得到根本统计量，而且在写论文时，所需列示的结果并不要求像上面那么详细，此时sum命令反而更实用。
第三歩，面板数据模型回归分析。
面板数据分析方法
上海
山西
天津
27
浙江
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。
y it x i't zi' u iit (i 1 ,2 , N ;t 1 ,2 , T )
其中：
为k
1 的矩阵，x
' it
为k个解释变量的第i个个体在
第t时期的观测值，为 1 k 的矩阵。zi为不随时间
而变的个体特征，即 zit zi,t 。扰动项由 (ui it )
两部分构成，被称为“复合扰动项”。
9000
8000
7000
6000
5000
4000
3000
2000 2000 4000 6000 8000
IP_T 10000 12000 14000
图8
2021/4/14
图9
30
第一节 面板数据的基本问题 第二节 面板数据的模型形式 第三节 面板数据模型的估计方法
2021/4/14
31
例1：居民消费行为与收入的关系
2021/4/14
35
个体效应模型
y it x i't zi' u iit
(i 1 ,2 , N ;t 1 ,2 , T )
复合扰动项：(ui it )
不可观测的随机变量 u
是代表个体异质性的截距项。
l（ n P i) t I0 ＋ C 1 l( C n i) t S 2 R C i tL 3 R iT tC it(14.I 1.3)
面板数据分析
总结词
功能强大，易于上手，适合初学者和小型数据 分析任务
01
总结词
操作简便，可视化效果好
03
总结词
适合小型数据量处理
05
02
详细描述
Excel提供了丰富的数据分析工具，如数据透 视表、条件格式、数据筛选等，可以方便地 进行数据清洗、整理和可视化。
04
详细描述
Excel提供了多种图表类型，如柱状图、 折线图、饼图等，可以直观地展示数 据之间的关系和趋势。
详细描述
SQL需要依赖数据库管理系统（DBMS）的支 持，对于没有安装DBMS的计算机无法独立运 行。
06 面板数据分析案例研究
案例一：股票市场面板数据分析
总结词
股票市场数据具有时间序列和横截面两个维 度，通过面板数据分析可以揭示股票价格和 交易量的动态变化，以及不同股票之间的相 互关系。
详细描述
特点
面板数据能够提供更丰富、更全面的 信息，因为它不仅包括每个个体的特 征，还包括这些特征随时间的变化情 况。
面板数据的重要性
提供更准确的估计
提高预测准确性
面板数据可以提供更准确的估计和预 测，因为它考虑了时间和个体效应， 这有助于减少误差和偏差。
面板数据可以用于预测未来的趋势和 结果。通过分析过去的数据，我们可 以建立模型并预测未来的变化。
描述性统计
计算关键变量的均值、中位数、众数、 标准差等统计量，初步了解数据的分 布和特征。
相关性分析
通过计算相关系数或可视化散点图， 探索变量之间的关联性。
数据分布可视化
绘制直方图、箱线图等，直观展示数 据的分布情况。
时间序列趋势分析
通过折线图或柱状图，分析时间序列 数据的趋势和周期性变化。
计量经济学研究案例参考
模型选择
采用Logit模型进行回归分析，探究消费者购买行为的影响 因素
变量选择
选择消费者的年龄、性别、收入、教育程度等个人信息，以及商品价格、销量 、评价等商品信息作为解释变量，以消费者是否购买该商品作为被解释变量
模型估计
使用最大似然估计法对模型参数进行估计，得到各解释变 量的回归系数和显著性水平
结果分析与解释
研究目的
探究不同国家经济增长的影响因素及 其动态变化
数据来源与预处理
数据来源
国际经济组织发布的公开数据库，如世界银 行、国际货币基金组织等
数据转换
将非数值型数据转换为数值型数据，如将分 类变量转换为虚拟变量
数据清洗
去除异常值、缺失值和重复值
数据标准化
消除量纲影响，使不同指标具有可比性
模型构建与估计
R语言应用案例
数据处理与清洗
运用R语言中的dplyr、tidyverse等包进行数据清洗、筛选和变换等操作。
高级统计分析
利用R语言进行复杂的统计分析，如多元线性回归、广义线性模型、生存分析等。
数据可视化
通过R语言的ggplot2、plotly等包实现数据可视化，创建高质量的图表和交互式图形。
Python语言应用案例
数据来源与预处理
数据来源
01
公开数据集或房地产公司提供的数据
数据预处理
02
清洗数据、处理缺失值和异常值、数据转换等
变量选择
03
选择与房价相关的自变量，如房屋面积、地理位置、建造年份
等
模型构建与估计
模型选择
线性回归模型
估计方法
最小二乘法
模型检验
检验模型的拟合优度、显著性等
结果分析与解释
《STATA简易操作》课件
使用Stata进行生存分析，包括数据导 入、选择合适的生存分析模型、参数 估计和结果解释。
分析生存曲线和风险函数，探究影响 因素对生存时间的影响。
进行模型假设检验和模型比较。
案例三：面板数据分析
总结词：利用面板数据分析方
法，探究个体、时间和其他变
量的交互作用。
01
详细描述
绘制折线图
折线图用于展示随时间变化的数据 趋势。
VS
在Stata中，可以通过输入“line yvar xvar”命令来绘制折线图。其中 yvar代表要展示的数据变量，xvar代 表时间变量。还可以通过添加选项来 修改线条样式、标记等。
05
Stata实战案例
案例一：线性回归分析
总结词：通过线性回归分析，探究自变量与因 变量之间的关系。
01
确定研究问题，选择合适的自变量和因变 量。
03
02
详细描述
04
使用Stata进行线性回归分析，包括数据 导入、模型设定、参数估计和结果解释。
分析模型的拟合优度，如判定系数、调整 判定系数等。
05
06
检验模型的假设条件，如线性关系、误差 项独立同分布等。
案例二：生存分析
总结词：利用生存分析方法，研究生 存时间与影响因素之间的关系。 详细描述
多元回归
探讨多个自变量对因变量的影响，以 及交互项和平方项的设定。
面板数据分析
面板数据介绍
阐述面板数据的概念、特点及其在经济学中 的应用。
固定效应与随机效应模型
比较两种模型的适用场景和结果解释。
面板数据的单位根与协整检验
介绍用于检验数据稳定性和长期关系的检验 方法。
Eviews软件平衡面板数据案例教程
Eviews软件平衡面板数据案例教程--医药制造业科技人力资源贡献率本文由杨娟撰写，中国科学软件网发布摘要：本研究从促进经济增长的视角来探讨研发、劳动与资本对产出的贡献率。
本研究收集了2001年—2014年的R&D人员全时当量、GDP等相关数据，实证结果发现，技术进步在解释经济增长时的作用越来越重要，已经超过了传统的资本和劳动力这两种投入要素。
从长期来看，R&D人员全时当量作为技术创新的重要方式，确实在一定程度上推动了经济增长，与长期经济增长之间的确存在稳定的均衡或协整关系。
R&D人员全时当量每增加1%，将带来实际GDP约0.179%-0.401%的增长；考虑到间接效应，R&D人员全时当量可能会渗透到其他要素中发挥作用，那么其贡献部分会更大。
同时，实证分析也表明，省区之间弹性系数的差异很大。
前言总产出与经济增长是一个永久的话题。
古典经济学一直把总产出水平当作一种均衡产出来研究，经济体的作用就是尽可能实现这一潜在的均衡产出。
哈罗德-多玛模型就是一个代表性的模型，该模型暗示，经济增长率等于人口增长率等于资本增长率才能实现“刀锋上的均衡”。
然而，之后的经济实践表明，经济有一种不断增长的趋势，这种趋势甚至可能超出理论的均衡产出水平，经济学家开始对经济增长的原因进行深入剖析。
1956年，美国经济学家罗伯特·索罗在《经济研究评论》上发表了《对经济增长理论的一个贡献》一文，放宽了哈罗德-多玛模型中“资本与劳动是不可替代的”这一隐含假定，在分析中应用了新古典主义的边际生产力理论和生产函数理论，成为新古典经济增长模型的代表。
新古典增长模型使用的总量生产函数中的资本总量以及劳动力总量等存在概念上的问题。
然而萨缪尔森指出，索罗模型正是放弃了概念上的严谨从而得到了应用上最好的近似效果。
同样在这方面做出贡献的还有澳大利亚经济学家斯旺(T.Swan，1956)，经济学中常将他们的工作合称为“索罗-斯旺”增长模型。
xtreg用法 -回复
xtreg用法-回复使用xtreg对数据进行回归分析xtreg是Stata中一种常用的命令，用于进行面板数据的回归分析。
面板数据即同时包含个体（cross-sectional）和时间（time-series）维度的数据，例如追踪一组公司在不同时间点的投资和收益情况。
使用xtreg命令可以更准确地估计面板数据模型中的参数，控制个体固定效应或时间固定效应、面板特征以及其他多层次结构等方面的问题。
下面将一步一步介绍xtreg的使用方法，并通过一个面板数据的回归分析案例来演示。
第一步：准备数据首先，我们需要确保已经使用Stata导入了所需的数据集。
面板数据通常以宽格式或长格式存储。
宽格式下的数据表现为每个时间点对应的一行记录，而长格式下的数据则以多个行记录表示一个特定个体的多个时间点的观测值。
我们需要根据数据集的存储格式，使用相关的Stata命令将数据转换为面板数据格式（如果尚未转换）。
第二步：指定面板数据结构使用xtset命令来指定面板数据的结构。
该命令应在进行xtreg分析之前使用。
xtset命令的语法如下：xtset panelvar timevar其中，panelvar是数据中标识个体的变量（也称为面板ID变量），timevar 是标识时间变量的变量。
例如，如果我们要指定面板数据中个体由变量“companyID”表示，时间由变量“year”表示，那么xtset命令将如下使用：xtset companyID year通过执行xtset命令，我们告诉Stata数据的面板结构，Stata将根据面板结构进行后续面板数据分析。
第三步：运行面板数据回归模型使用xtreg命令来运行面板数据回归模型。
xtreg命令的语法如下：xtreg dependent_var independent_var1 independent_var2 [options]其中，dependent_var是被解释变量，independent_var1和independent_var2是解释变量。
- 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)。
面板数据分析案例一、打开数据利用stata软件打开数据gurnfeld.dta，得到有关第一步，声明截面变量和时间变量。
命令为：tsset company year或xtset company year显示：panel variable: company (strongly balanced)time variable: year, 1935 to 1954delta: 1 year第二步，进行样本的描述性统计。
首先我们看看样本的大体分布情况，命令为：xtdescompany: 1, 2, ..., 10 n = 10year: 1935, 1936, ..., 1954 T = 20Delta(year) = 1 yearSpan(year) = 20 periods(company*year uniquely identifies each observation)Distribution of T_i: min 5% 25% 50% 75% 95% max 20 20 20 20 20 20 20Freq. Percent Cum. | Pattern---------------------------+----------------------10 100.00 100.00 | 11111111111111111111---------------------------+----------------------10 100.00 | XXXXXXXXXXXXXXXXXXXX接下来，我们列示出样本中主要变量的基本统计量，命令为：xtsumxtsum invest mvalue kstock我们发现统计结果是按照"整体"、"组间"和"组内"三个层次进行的。
当然，你也可以采用sum命令来得到基本统计量，而且在写论文时，所需列示的结果并不要求像上面那么详细，此时sum命令反而更实用。
第三歩，面板数据模型回归分析。
我们先做固定效应模型，命令为：xtreg mvalue invest kstock,fe（软件默认为随机效应）Fixed-effects (within) regression Number of obs = 200Group variable: company Number of groups = 10R-sq: within = 0.4117 Obs per group: min = 20 between = 0.8078 avg = 20.0 overall = 0.7388 max = 20F(2,188) = 65.78 corr(u_i, Xb) = 0.6955 Prob > F = 0.0000------------------------------------------------------------------------------ mvalue | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- invest | 2.856166 .3075147 9.29 0.000 2.249543 3.462789 kstock | -.5078673 .1403662 -3.62 0.000 -.7847625 -.2309721 _cons | 804.9802 32.43177 24.82 0.000 741.0033 868.9571 -------------+---------------------------------------------------------------- sigma_u | 905.81517sigma_e | 268.73329rho | .91910377 (fraction of variance due to u_i)------------------------------------------------------------------------------ F test that all u_i=0: F(9, 188) = 113.76 Prob > F = 0.0000结果的前两行列示了模型的类别(本例中为固定效应模型）、截面变量、以及估计中使用的样本数目和个体的数目。
第3行到第5行列示了模型的拟合优度，分为组内、组间和样本总体三个层次。
第6行和第7行分别列示了针对参数联合检验的F统计量和相应的P值，本例中分别为65.78和0.0000，表明参数整体上相当显著。
第8-11行列示了解释变量的估计系数、标准差、t统计量和相应的P值以及95%的置信区间，这和我们在进行截面回归是得到的结果是一样的。
最后四行列示了固定效应模型中个体效应和隨机干扰项的方差估计值（分别为sigma_u和sigma_e），二者之间的关系(rho)。
最后一行给出了检验固定效应是否显著的F 统计量和相应的P值，本例中固定效应非常显著。
估计随机效应模型的命令为：xtreg mvalue invest kstock,reRandom-effects GLS regression Number of obs = 200 Group variable: company Number of groups = 10R-sq: within = 0.4115 Obs per group: min = 20 between = 0.8043 avg = 20.0 overall = 0.7371 max = 20Wald chi2(2) = 149.94 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000------------------------------------------------------------------------------ mvalue | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- invest | 3.113429 .3076132 10.12 0.000 2.510519 3.71634 kstock | -.578422 .1424721 -4.06 0.000 -.8576622 -.2991819 _cons | 786.9048 182.1715 4.32 0.000 429.8553 1143.954 -------------+---------------------------------------------------------------- sigma_u | 546.52144sigma_e | 268.73329rho | .80529268 (fraction of variance due to u_i)------------------------------------------------------------------------------第四歩，模型的筛选和检验。
这是模型设定过程中最为关键同时也是最难的一歩，主要涉及使用【混合效应】混合OLS 模型(最小二乘估计）、固定效应模型还是随机效应模型，更进一歩还可能包括序列相关和异方差的检验等问题。
在这方面功力的提髙需要大量的实践经验和对理论的深入理解。
1）检验个体效应的显著性。
对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上是否显著。
在我们的例子中，上而的检验结果表明固定效应模型优于混合的OLS模型。
下面我们说明如何检验随机效应是否显著，命令为：若模型检验下面没有F检验，就输入xttest0注明：通过豪斯曼检验，使用固定效应/随机效应Breusch and Pagan Lagrangian multiplier test for random effectsmvalue[company,t] = Xb + u[company] + e[company,t]Estimated results:| Var sd = sqrt(Var)---------+-----------------------------mvalue|172****1314.47e | 72217.58 268.7333u | 298685.7 546.5214Test: Var(u) = 0chibar2(01) = 772.32Prob > chibar2 = 0.0000检验得到的P值为0.0000，表明随机效应非常显著。
可见，随机效应模型也优于混合OLS 模型，至于固定效应模型和随机效应模型何者更佳，则要采用Hausman检验来确定。
2) hausman检验。
具体步骤为：●step1：估计固定效应模型模型，存储估计结果；●step2：估计随机效应模型，存储估计结果；step3：进行Hausman检验qui xtreg mvalue invest kstock, fe /*step1*/. est store fe. qui xtreg mvalue invest kstock, re /*step2*/. est store re. hausman fe /*step3*/这里qui的作用在于不把估计结果输出到屏幕上，est store 的作用在十把估计结果存储到名称为fe的临时性文件中。
输出结果为：---- Coefficients ----| (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fe re Difference S.E.-------------+---------------------------------------------------------------- invest | 2.856166 3.113429 -.2572636 .kstock | -.5078673 -.578422 .0705548 .------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtregTest: Ho: difference in coefficients not systematicchi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)= 2366.62Prob>chi2 = 0.0000(V_b-V_B is not positive definite)我们注意到输出结果的最后一行提示说固定效应模型和随机效模型的参数估计方差的差是-个非正定矩阵，因此sqrt(diag(V_b-V_B))一项全为缺失值。