Eviews面板数据之固定效应模型
Eviews 面板数据之固定效应模型
在面板数据线性回归模型中,如果对于不同的截面或不同的时间序列,只是模型的截距项是不同的,而模型的斜率系数是相同的,则称此模型为固定效应模型。固定效应模型分为三类:
1.个体固定效应模型
个体固定效应模型是对于不同的纵剖面时间序列(个体)只有截距项不同的模型:
2
K
it i k kit it k y x u λβ==++∑ (1)
从时间和个体上看,面板数据回归模型的解释变量对被解释变量的边际影响均是相同的,而且除模型的解释变量之外,影响被解释变量的其他所有(未包括在回归模型或不可观测的)确定性变量的效应只是随个体变化而不随时间变化时。
检验:采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量,以检验设定个体固定效应模型的合理性。F 模型的零假设:
01231:0N H λλλλ-===???==
()1
(1,(1)1)(1)
RRSS URSS N F F N N T K URSS
NT N K --=
---+--+
RRSS 是有约束模型(即混合数据回归模型)的残差平方和,URSS 是无约束模型ANCOVA 估计的残差平方和或者LSDV 估计的残差平方和。
实践:
一、数据: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(consume)和人均收入(income)数据以及消费者价格指数(p)分别见表1,2和3。
表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
表3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数物价指数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 107.1 103.5 98.4 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 98.9 PNMG 107.6 104.5 99.3 99.8 101.3 100.6 100.2 PSD 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 PTJ 109 103.1 99.5 98.9 99.6 101.2 99.6 PZJ 107.9 102.8 99.7 98.8 101 99.8 99.1
二、1.输入操作:
步骤:(1)File——New——Workfile
步骤:(2)Start date——End date——OK
步骤:(3)Object——New Object
步骤:(4)Type of object——Pool
步骤:(5)输入所有序列名称
步骤:(6)定义各变量点击sheet—输入consume?income?p?
步骤:(7)将表1、2、3中的数据复制到Eviews中
2.估计操作:
步骤:(1)点击poolmodel——Estimate
对话框说明
Dependent variable:被解释变量;Common coefficients:系数相同部分Cross-section specific:截面系数不同部分
步骤:(2)将截距项选择区选Fixed effects(固定效应)
Cross-section:Fixed
得到如下输出结果:
接下来用F 统计量检验是应该建立混合回归模型,还是个体固定效应回归模型。
0H :i αα=。模型中不同个体的截距相同(真实模型为混合回归模型)。 1H :模型中不同个体的截距项i α不同(真实模型为个体固定效应回归模型)。
对模型进行检验:
0.05
()
115-1==7.69=.90(1)
RRSS URSS N F F URSS NT N K --=>--+(4965275-2259743)(14,90)180232259743
所以推翻原假设,建立个体固定效应回归模型更合理。 RRSS 求法请参见Eview 面板数据之混合回归模型 相应的表达式为:
1215596.500.6953.23592.44...230.16it it Consume Income D D D =+-+++
(6.64)
(49.55)
20.99,2259743r R SSE ==
其中虚拟变量1215,,...,D D D 的定义是:
1,1,2,...,150,i i i D =?=?
?
如果属于第个个体
,其他 15个省级地区的城镇人均指出平均占收入68.62%。从上面的结果可以看出市居民的自发性消费明显高于其他地区。
2.时点固定效应模型
时点固定效应模型就是对于不同的截面(时点)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,那么应该建立时点固定效应模型:
2
K
it t k kit it k y x u γβ==++∑ (2)
时点固定效应模型与个体固定效应模型的操作区别在于步骤(2),将时间项选择区选 Period :Fixed (时间固定效应)
得到如下结果:
接下来用F 统计量检验是应该建立混合回归模型,还是个体固定效应回归模型。
0H :i αα=。模型中不同个体的截距相同(真实模型为混合回归模型)。 1H :模型中不同个体的截距项t α不同(真实模型为时间固定效应回归模型)。
对模型进行检验:
0.05
()
7-11==3.54=.98(1)
RRSS URSS T F F URSS NT T K --=>--+(4965275-4080749)
(6,98)2194080749
所以推翻原假设,可以建立时点固定效应回归模型 RRSS 求法请参见Eview 面板数据之混合回归模型 相应的表达式为:
1272.60.78114137.5...97.7it it Consume IP D D D =-++++-
(76.0) 2
0.986,4080749R SSE ==
其中虚拟变量127,,...,D D D 的定义是:
1,0,t D ?=?
?如果属于第t 个截面,t=1996,...,2002
其他
3.时点个体固定效应模型
时点个体固定效应模型就是对于不同的截面(时点)、不同的时间序列(个体)都有不同截距模型。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,那么应该建立时点个体固定效应模型:
2
K
it t t k kit it k y x u λγβ==+++∑ (3)
时点固定效应模型与个体固定效应模型的操作区别在于步骤(2),将截距项选择区域:Cross-section :fixed (个体固定效应),时间项选择区选 Period :Fixed (时间固定效应)
得到结果如下:
Dependent Variable: CONSUME?
Method: Pooled Least Squares
Date: 07/21/14 Time: 15:44
Sample: 1996 2002
Included observations: 7
Cross-sections included: 15
Total pool (balanced) observations: 105
Variable Coefficient Std. Error t-Statistic Prob.
C 806.6751 221.2143 3.646578 0.0005
INCOME? 0.653338 0.034541 18.91504 0.0000 Fixed Effects (Cross)
AH--C -94.50854
BJ--C 698.0132
FJ--C -18.86465
HB--C -200.3997
HLJ--C -246.3712
JL--C -54.16421
JS--C -31.26919
JX--C -392.9844
LN--C 47.39508
NMG--C -284.2660
SD--C -150.8912
SH--C 465.4906
SX--C -152.6560
TJ--C 103.9569
ZJ--C 311.5193
Fixed Effects (Period)
1996--C -59.12373
1997--C 17.95469
1998--C -31.45564
1999--C -57.24042
2000--C 36.24382
2001--C -29.26415
2002--C 122.8854
Effects Specification
Cross-section fixed (dummy variables)
Period fixed (dummy variables)
R-squared 0.993278 Mean dependent var 4981.017 Adjusted R-squared 0.991577 S.D. dependent var 1700.985 S.E. of regression 156.1067 Akaike info criterion 13.12288 Sum squared resid 2022652. Schwarz criterion 13.67895
Log likelihood -666.9514 Hannan-Quinn criter. 13.34821 F-statistic 584.0406 Durbin-Watson stat 1.455623 Prob(F-statistic)
0.000000
接下来用F 统计量检验是应该建立混合回归模型,还是个体固定效应回归模型。
0121121=====0N T H λλλγγγ--???=???=:和:
对模型进行检验:
0.05
()2022652222-2==5.83=.2022652
(1)83
RRSS URSS T N F F URSS NT T N K -+-=>---+(4965275-)
()(20,83)17 所以推翻原假设,可以建立个体时点固定效应回归模型