详细的EVIEWS面板数据分析操作
合集下载
EVIEWS面板数据分析操作教程之PanelData模型
◎步骤
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
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
EVIEWS面板数据分析操作教程及实例解析
模型选择对分析结果影响
模型适用性
根据研究目的和数据特征选择合 适的面板数据模型，如固定效应 模型、随机效应模型等。
模型假设
确保所选模型满足基本假设，如 线性关系、误差项独立同分布等 ，否则可能导致结果不准确。
模型比较与选择
通过比较不同模型的拟合优度、 参数显著性等指标，选择最优模 型进行分析。
操作规范性与结果可靠性保障措施
操作步骤规范
结果验证与解读
对分析结果进行验证，确保结果的合理性和准确性 ；同时，正确解读分析结果，避免误导读者。
严格按照EVIEWS软件的操作步骤进行分析 ，避免操作失误或遗漏关键步骤。
数据分析报告
编写详细的数据分析报告，包括数据来源、 处理方法、模型选择、分析结果及解读等， 以便读者全面了解分析过程。
方和来估计模型参数。
广义最小二乘法（GLS）
02
当存在异方差性或自相关性时，采用广义最小二乘法进行参数
估计，以提高估计效率。
最大似然法（ML）
03
适用于随机效应模型等复杂面板数据模型，通过最大化似然函
数来估计模型参数。
模型诊断与检验
残差分析
检查残差是否满足独立同分布等假设条件， 以评估模型的拟合效果。
07 EVIEWS面板数 据分析操作注意 事项
数据质量对分析结果影响
数据来源
确保数据来自可靠、权威的来源，避免使用不准确或存在偏见的数 据。
数据完整性
检查数据是否存在缺失值、异常值或重复值，这些问题可能导致分 析结果失真。
数据处理
对数据进行适当的预处理，如清洗、转换和标准化，以提高数据质量 和一致性。
增强了解决实际问题的能力
通过实例解析和操作演示，学员们学会了如何运用所学知识解决实际问题，提高了分析 问题和解决问题的能力。
EViews基本操作与数据分析
EViews基本操作与数据分析EViews基本操作与数据分析一、EViews的基本操作与数据处理1、建立工作文件（File/New/Workfile）、数据库（Database）、程序（Program）或文本文件（Text File）。
（1）EViews的界面：菜单栏下面的白色空白区域为命令窗口。
（2）打开空表：Quick/Empty Group。
（3）Workfile的界面：c表示截距序列，resid表示残差序列。
2、输入数据（1）数据分为时间序列数据（Dated-regular Frequency，默认选项）、横界面数据（Unstructured/Undated）和面板数据（Balanced Panel），时间序列的日期间隔符号可以是“:”、“.”或“,”。
Q表示季度，M表示月份，W表示周。
（2）EViews也可以直接打开已有文件（Open/EViews Workfile）、外部数据（Foreign Data）、数据库（Database）、程序（Program）或文本文件（T ext File）。
EViews 5.0可以导入其他的外部数据：File/Open/Foreign Data as Workfile。
（3）调用外部数据：File/Import/……。
先建立工作文件，然后才能调用数据，EViews允许调用3种格式的数据：ASCII、Lotus和Excel工作表。
如果原文件已有序列名称，则只需输入序列个数即可。
3、对象（Object）的操作与处理（1）生成新对象（New Object）：Equation、Graph、Group、Matrix、Series、Table、Text、V AR等。
（2）对象的编辑：剪切（Cut）、复制（Copy）、粘贴（Paste）、删除（Delete）、合并（Merge）和替代（Replace）等。
（3）对象的命名：对象必须以半角字符命名，不能用中文命名，命名不宜太长。
使用Eviews进行面板数据操作(有详图，包括Hausman检验，单位根检验)
GLS权重，通过加 权可以克服异方差
每个个体有共
同的参数 bi
bi 随个体不
同而发生
变
变化
参
数
bi 随个体不 同而发生
模 型
变化
下面为个体固定效应的结果。 点击view——representation可以显示具体的回归方程式。
2. 面板数据的检验
① Hausman检验（要在随机效应结果窗口中进行） 对数据进行随机效应模型估计，在估计结果窗口点击view——Fixed/Random Effects testing——Correlated Random Effect-Hausman Test（6.0以上的 版本才可以）
⑤ 在打开的数据组中点击view——graph——scatter——simple scatter, 便可得到不同时间的散点图。
⑥ 同理，按ctrl键，分别选择ip_i, ip_ah,I p_bj, ip_hb…便可得到不同个体 的散点图。
由于是用同一组数据画出的图形，所以虽然采用的 是不同的方法，但是绘出的两个图形一样。
在估计结果中点击proc——Make Model可以出现估计结果的联立方 程形式，进一步点击Solve键可以 在弹出的对话框中进行动态和静态 预测。
在估计结果或原始的面包数据窗口中点击view——unit root test
这里默认为 Schwarz检 验，因为在 小样本情况 下Schwarz 检验效果最 好。
注意：只有在随机效应估计窗口中才能 进行Hausman检验，只有在固定效应估 计窗口中才能进行似然比检验
Hausman检验的原假设是个体效 应与回归变量无关，应建立随机效 应模型，因此当Hausman值较大， 其对应的P值远小于0.05时，拒绝
每个个体有共
同的参数 bi
bi 随个体不
同而发生
变
变化
参
数
bi 随个体不 同而发生
模 型
变化
下面为个体固定效应的结果。 点击view——representation可以显示具体的回归方程式。
2. 面板数据的检验
① Hausman检验（要在随机效应结果窗口中进行） 对数据进行随机效应模型估计，在估计结果窗口点击view——Fixed/Random Effects testing——Correlated Random Effect-Hausman Test（6.0以上的 版本才可以）
⑤ 在打开的数据组中点击view——graph——scatter——simple scatter, 便可得到不同时间的散点图。
⑥ 同理，按ctrl键，分别选择ip_i, ip_ah,I p_bj, ip_hb…便可得到不同个体 的散点图。
由于是用同一组数据画出的图形，所以虽然采用的 是不同的方法，但是绘出的两个图形一样。
在估计结果中点击proc——Make Model可以出现估计结果的联立方 程形式，进一步点击Solve键可以 在弹出的对话框中进行动态和静态 预测。
在估计结果或原始的面包数据窗口中点击view——unit root test
这里默认为 Schwarz检 验，因为在 小样本情况 下Schwarz 检验效果最 好。
注意：只有在随机效应估计窗口中才能 进行Hausman检验，只有在固定效应估 计窗口中才能进行似然比检验
Hausman检验的原假设是个体效 应与回归变量无关，应建立随机效 应模型，因此当Hausman值较大， 其对应的P值远小于0.05时，拒绝
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。
应用eviews进行面板数据分析ppt课件
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。
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
如果模型是正确设定的，解释变量与误差项不相关，即 Cov(Xit,it) = 0。那么无论是 N，还是 T，模型参数的混合最小二乘估计量（Pooled OLS）都是一致估计量。
以案例 1（file:5panel02）为例得到的混合模型估计结果如下：
经营者提 供商品 或者服 务有欺 诈行为 的，应 当按照 消费者 的要求 增加赔 偿其受 到的损 失，增 加赔偿 的金额 为消费 者购买 商品的 价款或 接受服 务的费 用
7000
6000
5000
4000
3000
2000 2000
4000
6000
IP_I 8000 10000 12000 14000
图6
图7
经营者提 供商品 或者服 务有欺 诈行为 的，应 当按照 消费者 的要求 增加赔 偿其受 到的损 失，增 加赔偿 的金额 为消费 者购买 商品的 价款或 接受服 务的费 用
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。
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
如果模型是正确设定的，解释变量与误差项不相关，即 Cov(Xit,it) = 0。那么无论是 N，还是 T，模型参数的混合最小二乘估计量（Pooled OLS）都是一致估计量。
以案例 1（file:5panel02）为例得到的混合模型估计结果如下：
经营者提 供商品 或者服 务有欺 诈行为 的，应 当按照 消费者 的要求 增加赔 偿其受 到的损 失，增 加赔偿 的金额 为消费 者购买 商品的 价款或 接受服 务的费 用
7000
6000
5000
4000
3000
2000 2000
4000
6000
IP_I 8000 10000 12000 14000
图6
图7
经营者提 供商品 或者服 务有欺 诈行为 的，应 当按照 消费者 的要求 增加赔 偿其受 到的损 失，增 加赔偿 的金额 为消费 者购买 商品的 价款或 接受服 务的费 用
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。
详细的EVIEWS面板数据分析操作
至少1个协整向量 65.74 (0.2266)
65.74 (0.2266)
注：加“*”表示在5%的显著性水平下拒绝原假设而接受备择假设。
上述检验结果检验的样本区间为1991-2003年，从表10.8和 表10.9的检验结果可以看出，我国29个省市的城镇居民消费和 收入的面板数据之间存在协整关系。
详细的EVIEWS面板数据分析操作
View/Spreadsheet View：i? m? k?
详细的EVIEWS面板数据分析操作
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
详细的EVIEWS面板数据分析操作
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）
除此项 外均支 持协整
详细的EVIEWS面板数据分析操作
表10.8 Johansen面板协整检验结果
(选择序列有确定性趋势而协整方程只有截距的情况)
原假设
支
Fisher联合迹统计量 Fisher联合-max统计
持
(p值)
量(p值)
协Leabharlann 整0个协整向量133.4 (0.0000)*
128.7 (0.0000)*
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
详细的EVIEWS面板数据分析操作
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：
面板数据eviews应用
高效稳定
03
Eviews在处理大规模数据集时表现出高效稳定的性能，能够快
速得出分析结果。
Eviews软件应用领域
经济学
Eviews在经济学领域的应用非常 广泛，主要用于实证研究和政策 分析，如劳动经济学、发展经济 学等。
金融学
Eviews在金融学领域的应用主要 涉及时间序列分析和回归分析， 如股票价格分析、风险管理等。
感谢您的观看
THANKS
社会学
Eviews在社会学领域的应用主要 涉及面板数据分析，如人口统计 学、社会调查等。
02 面板数据基础知识
面板数据定义
面板数据
面板数据也称为时间序列数据，它同时包含了横截面和时间序列两个维度的信息，能够更全面地反映经济现象的 变化规律。
面板数据的特点
面板数据能够提供更丰富的信息，可以控制不可观测的异质性，并且能够更好地揭示经济现象的动态变化。
根据诊断结果对模型进行调整或优化，如添加或删除变 量、调整模型形式等。
对模型的残差进行自相关检验和异方差检验，以判断模 型的残差是否存在自相关或异方差问题。
对优化后的模型进行重新估计和检验，确保模型的质量 和稳定性。
04 面板数据Eviews应用实例
实例一：混合效应模型分析
总结词
混合效应模型是一种同时考虑固定效应和随机效应的模型，适用于面板数据。
面板数据类型
长面板
长面板是指样本数量相对较小，但每个样本的观测期较长。
短面板
短面板是指样本数量相对较大，但每个样本的观测期较短。
超长面板
超长面板是指样本数量和观测期都较长，通常用于研究长期经济 现象。
面板数据估计方法
固定效应模型
固定效应模型是一种常用的面板数据估计 方法，它通过控制不可观测的异质性来估
- 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)。
m? k?
方式二（方式是否正确，有待考证）
File/New/ 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 View/Spreadsheet View：i?
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
File/New/ Workfile Workfile structure type ： Dated-regular frequency 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?
4
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
方法： 相同根下：LLC、Breintung 、 Hadri 不同根下：IPS、ADF-Fisher 和PP-Fisher5
若变换序列后均为同阶非平稳序列，则请点
思路二
11
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。
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
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 ADF Panel v-Statistic H0： = 1 Panel rho-Statistic H1 ：(i = Panel PP-Statistic )< 1 Pedroni检 验 Panel ADF-Statistic 统计量值（P值） -6.787326（0.0000）* 2.099652（0.044）* -3.415758（0.0012）* -5.991403（0.0000）* -7.835311（0.0000）*
若均为1阶单整，直接全取差分或全取对数，进行回归分析
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。
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 以自变量填写 在此处
22
第二步： Hausman检验 原假设：应建立随机效应模型 在软件的上一步分析的结果窗口 （见左图）进行如下操作： ◎View/ ◎Fixed/Random Effects Testing/ ◎Correlated Random Effects Hausman Test 请点 结果
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
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
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， 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。
第十章 第一步 录入数据
Panel Data模型
第二步 分析数据的平稳性（单位根检验）
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）
Eviews好像没有在POOL窗口中提供Granger
causality test，如果想对面板数据中的某些合成序列 做因果检验的话，不妨先导出相关序列到一个组中 (POOL窗口中的Proc/Make Group)，再来试试
18
回归模型
一 确定影响形式
固定影响 随机影响 二 确定模型形式 形式一 形式二 形式三 三 估计方法说明 四 一二三确定后就可以进行模型最终的设定 与估计（略：自已去完成）
24
二 确定模型形式
说 明
（1） 模 i xi βi ui
* i
形式二：固定影响模型 yi m xi β ui
形式二：不变参数模型
y i xi β ui
（2）根据F检验确定上述三种形式之一
请点（确定模型形式的F检验）
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 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
25
确定模型形式的F检验
原假设：两个如下 H1：
β1 β2 β N
H2：
1 2 N
判定规则 ：
β1 β2 β N
接受假设 H2 则为不变参数模型（模型三），检验结束。
拒绝假设H2，则检验假设H1。如接受H1，则模型为变截距模型（模型二） 若拒绝H1 ，则模型为变参数模型（模型一）。 构建统计量：请点F统计量
28
由于 F2>1.87，所以拒绝H2；又由于 F1>2.049，所以也拒绝 H1。因此，例10.5的模型应采用变系数的形式。
根据以前 所做的影 响效应填 写
模型一
变系数模型
yi i xi βi ui
◎POOL/ESTIMATE如右 窗口 点确定结果请点 结果
由于自变量前 系数可变，所 以自变量填写 在此处
26
假设检验的 F 统计量的计算方法 构建变参数模型得残差平方和S1 并考虑其自由度 请点
构建变截距模型得残差平方和S2并考虑其自由度
请点
构建不变参数模型得残差平方和S3并考虑其自由度 请点
计算 F2 统计量
( S 3 S1 ) /[( N 1)( k 1)] F2 ~ F [( N 1)( k 1), N (T k 1)] S1 ( NT N (k 1))
19
一 确定影响形式
请点 ：说 明 请点：软件操作
20
一 确定影响形式说明
◎方法 Hausman检验
◎原：应建立随机效应模型
◎步骤 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
Kao检验 H0： = 1
除此项 外均支 持协整
Group-rho-Statistic -0.837712（0.2809） H0： = 1 Group PP-Statistic -6.990581（0.0000）* H1 ：(i = )< 1 Group ADF-Statistic -7.194068（0.0000）*
F1 ( S 2 S1 ) /[( N 1)k ] ~ F [( N 1)k , N (T k 1)] S1 ( NT N (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 来确定。 (1) 首先分别计算3种形式的模型：变参数模型、变截距模 型和不变参数模型，在每个模型的回归统计量里可以得到相应 的残差平方和S1=339121.5、S2 = 444288.4 和S3 = 1570884。 (2) 按(10.2.7)式和(10.2.8)式计算F统计量，其中N=5、k=2、 T=20，得到的两个F统计量分别为： F1=((S2-S1)/8)/(S1 /85) = 3.29 F2=((S3-S1)/12)/(S1 /85) = 25.73 利用函数 @qfdist(d,k1,k2) 得到F分布的临界值，其中d 是临 界点，k1和k2是自由度。在给定5%的显著性水平下(d=0.95)，得 到相应的临界值为： F2(12, 85) = 1.87 F1(8, 85) =2.049