非线性面板数据模型及应用
基于面板数据模型及其固定效应的模型分析
基于面板数据模型及其固定效应的模型分析 在20世纪80年代及以前，还只有很少的研究面板数据模型及其应用的文献,而20世纪80年代之后一直到现在,已经有大量的文献使用同时具有横截面和时间序列信息的面板数据来进行经验研究(Hsiao,20XX)。同时,大量的面板数据计量经济学方法和技巧已经被开发了出来，并成为现在中级以上的计量经济学教科书的必备内容，面板数据计量经济学的理论研究也是现在理论计量经济学最热的领域之一。 面板数据同时包含了许多横截面在时间序列上的样本信息，不同于只有一个维度的纯粹横截面数据和时间序列数据，面板数据是同时有横截面和时序二维的。使用二维的面板数据相对于只使用横截面数据或时序数据，在理论上被认为有一些优点，其中一个重要的优点是面板数据被认为能够控制个体的异质性。在面板数据中，人们认为不同的横截面很可能具有异质性，这个异质性被认为是无法用已知的回归元观测的，同时异质性被假定为依横截面不同而不同，但在不同时点却是稳定的，因此可以用横截面虚拟变量来控制横截面的异质性，如果异质性是发生在不同时期的，那么则用时期虚拟变量来控制。而这些工作在只有横截面数据或时序数据时是无法完成的。 然而,实际上绝大多数时候我们并不关心这个异质性究竟是多少，我们关心的仍然是回归元参数的估计结果。使用面板数据做过实际研究的人可能会发现使用的效应①不同，对回归元的估计结果经常有十分巨大的影响，在某个固定效应设定下回归系数为正显着，而另外一个效应则变为负显着，这种事情经常可以碰到,让人十分困惑。大多数的研究文献都将这种影响解释为控制了固定效应后的结果，因为不可观测的异质性(固定效应)很可能和回归元是相关的，在控制了这个效应后，由于变量之间的相关性，自然会对回归元的估计结果产生影响，因而使用的效应不同，估计的结果一般也就会有显着变化。 然而,这个被广泛接受的理论假说，本质上来讲是有问题的。我们认为，估计的效应不同，对应的自变量估计系数的含义也不同，而导致估计结果有显着变化的可能重要原因是由于面板数据是二维的数据，而在这两个不同维度上，以及将两个维度的信息放到一起时，样本信息所显现出来的自变量和因变量之间的相关关系可能是不同的。因此，我们这里提出另外一种异质性，即样本在不同维度上的相关关系是不同的，是异质的，这个异质性是发生在回归元的回归系数上，而 不是截距项。我们试图从面板数据的横截面维度和时间序列维度的样本相关异质性角
面板数据模型
第十讲经典面板数据模型 一、面板数据（panel data） 一维数据: 时间序列数据(cross section data)：变量在时间维度上的数据截面数据(time series data)：变量在截面空间维度上的数据)。 二维数据: 面板数据(同时在时间和截面空间上取得的，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=截面数据+时间序列数据。
面板数据用双下标变量表示。例如 y i t, i = 1, 2, …, N; t = 1, 2, …, T N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)是随机变量在横截面上的N个数据；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）。 平衡面板数据（balanced panel data）。 非平衡面板数据（unbalanced panel data）。 例1998-2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（不变价格）和人均收入数据见表1。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。
表1.中国部分省级地区的居民数据（不变价格，元）
二、面板数据模型及其作用 1.经典面板数据模型 建立在古典假定基础上的线性面板数据模型. 2.非经典面板数据模型 (1)非平稳时间序列问题的面板数据模型(面板数据协整模型) (2)非线性面板数据模型(如面板数据logit模型, 面板数据计数模型模型) (3)其他模型(如面板数据分位数回归模型) 3.面板数据模型作用 （1）描述个体行为差异。
第9章-面板数据模型理论
5.2 面板数据模型理论 5.2.1 面板数据模型及类型。 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： it y , N i ,,2,1 ;T t ,,2,1 其中，N 表示面板数据中含有的个体数。T 表示时间序列的时期数。若固定t 不变，?i y ),,2,1(N i 是横截面上的N 个随机变量；若固定i 不变，t y ?,),,2,1(T t 是纵剖面 上的一个时间序列。对于面板数据来说，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 ）。 面板数据模型是建立在面板数据之上、用于分析变量之间相互关系的计量经济模型。面板数据模型的解析表达式为： it it it it it x y T j N i ,2,1;,2,1 其中，it y 为被解释变量；it 表示截距项，),,,(21k it it it it x x x x 为k 1维解释变量向量；' 21),,,(k it it it it 为1 k 维参数向量；i 表示不同的个体；t 表示不同的时间；it 为 随机扰动项，满足经典计量经济模型的基本假设),0(~2 IIDN it 。 面板数据模型通常分为三类。即混合模型、固定效应模型和随机效应模型。 ⑴ 混合模型。 如果一个面板数据模型定义为： it it it x y T j N i ,2,1;,2,1 则称此模型为混合模型。混合模型的特点是无论对任何个体和截面，回归系数 和 都是相同的 ⑵ 固定效应模型。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model ）、时间固定效应模型（time fixed effects regression model ）和时间个体固定效应模型（time and entity fixed effects regression model ）。 ① 个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序
历届诺贝尔经济学奖得主及其主要贡献
历届诺贝尔经济学奖得主及其主要贡献（1969—2015） 诺贝尔经济学奖的由来 诺贝尔经济学奖(The Prize in Economic Sciences)，是由瑞典银行在1968年，为纪念诺贝尔而增设的并非诺贝尔遗嘱中提到的五大奖励领域之一，全称为“纪念阿尔弗雷德-诺贝尔瑞典银行经济学奖(The Bank of Sweden Prize in Economic Sciences in Memory of Alfred Nobel)”，通常称为诺贝尔经济学奖(Nobel economics prize)，也称瑞典银行经济学奖。 1969年(瑞典银行的300周年庆典)第一次颁奖，由挪威人弗里希和荷兰人扬-廷贝亨共同获得，美国经济学家萨缪尔森、弗里德曼等人均获得过此奖。 2015年诺贝尔经济学奖将于斯德哥尔摩时间10月12日13时(北京时间12日19时)举行。 经济学奖并非根据阿尔弗雷德-诺贝尔的遗嘱所设立的，但在评选步骤、授奖仪式方面，与诺贝尔奖相似。奖项由瑞典皇家科学院每年颁发一次，遵循对人类利益做出最大贡献的原则给奖。 诺贝尔经济学奖可以颁发给单个人，也可以最多由三人分享，其主要目的是表彰获奖者在宏观经济学、微观经济学、新的经济分析方法等领域所作的贡献。今年的诺贝尔经济学奖奖金仍为1000万瑞典克朗(约合140万美元)。 “诺贝尔经济学奖”历届获奖者名单 从1969年至2015年诺贝尔经济学奖已经颁发了47次，获奖者人数达76人，其中包括美国著名的经济学家萨缪尔森、弗里德曼。 1969年 拉格纳·弗里希(RAGNAR FRISCH)挪威人 简·丁伯根(JAN TINBERGEN)荷兰人 主要贡献：他们发展了动态模型来分析经济进程。前者是经济计量学的奠基人，后者经济计量学模式建造者之父。 1970年 保罗·安·萨默尔森(PAUL A SAMUELSON )美国人 主要贡献：他发展了数理和动态经济理论，将经济科学提高到新的水平。他的研究涉及经济学的全部领域。 1971年 西蒙·库兹列茨(SIMON KUZNETS )美国人 主要贡献：在研究人口发展趋势及人口结构对经济增长和收入分配关系方面做出了巨大贡献。 1972年 约翰·希克斯(JOHN R. HICKS)英国人 肯尼斯·约瑟夫·阿罗(KENNETH J. ARROW)美国人 主要贡献：他们深入研究了经济均衡理论和福利理论。 1973年 华西里·列昂惕夫(W ASSIL Y LEONTIEF)苏联人 主要贡献：发展了投入产出方法，该方法在许多重要的经济问题中得到运用。 1974年 弗·冯·哈耶克(FRIEDRICH AUGUST VON HAYEK)澳大利亚人
EViews面板数据模型估计教程
EViews 6.0 beta在面板数据模型估计中的应用 来自免费的minixi 1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的习惯 2、建立面板数据工作文件workfile （1）最好不要选择EViews默认的blanaced panel 类型 Moren_panel （2）按照要求建立简单的满足时期周期和长度要求的时期型工作文件
3、建立pool对象 （1）新建对象 （2）选择新建对象类型并命名 （3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross Section Identifiers: (Enter identifiers below this line )输入截面单元名称。，建议采用汉语拼音，例如29个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图
关闭建立的pool对象，它就出现在当前工作文件中。 4、在pool对象中建立面板数据序列 双击pool对象，打开pool对象窗口，在菜单view的下拉项中选择spreedsheet （展开表） 在打开的序列列表窗口中输入你要建立的序列名称，如果是面板数据序列必须在序列名后添加“?”。例如，输入GDP?，在GDP后的?的作用是各个截面单元的占位符，生成了29个省市区的GDP的序列名，即GDP后接截面单元名，再在接时期，就表示出面板数据的3维数据结构（1变量2截面单元3时期）了。
请看工作文件窗口中的序列名。展开表（类似excel）中等待你输入、贴入数据。 （1）打开编辑（edit）窗口
（2）贴入数据 （3）关闭pool窗口，赶快存盘见好就收6、在pool窗口对各个序列进行单位根检验 选择单位根检验 设置单位根检验
第9章-面板数据模型理论
5.2 面板数据模型理论 5.2.1 面板数据模型及类型。 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： it y , N i ,,2,1 =;T t ,,2,1 = 其中，N 表示面板数据中含有的个体数。T 表示时间序列的时期数。若固定t 不变，?i y ),,2,1(N i =是横截面上的N 个随机变量；若固定i 不变，t y ?,),,2,1(T t =是纵剖面 上的一个时间序列。对于面板数据来说，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 ）。 面板数据模型是建立在面板数据之上、用于分析变量之间相互关系的计量经济模 型。面板数据模型的解析表达式为： it it it it it x y μβα++= T j N i ,2,1;,2,1== 其中，it y 为被解释变量；it α表示截距项，),,,(21k it it it it x x x x =为k ?1维解释变量向量；'21),,,(k it it it it ββββ =为1?k 维参数向量；i 表示不同的个体；t 表示不同的时间；it μ为 随机扰动项，满足经典计量经济模型的基本假设),0(~2μσμIIDN it 。 面板数据模型通常分为三类。即混合模型、固定效应模型和随机效应模型。 ⑴ 混合模型。 如果一个面板数据模型定义为： it it it x y μβα++= T j N i ,2,1;,2,1== 则称此模型为混合模型。混合模型的特点是无论对任何个体和截面，回归系数α和β都是相同的 ⑵ 固定效应模型。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression
MATLAB空间面板数据模型操作介绍
MATLAB 空间面板数据模型操作简介 MATLAB 安装： 在民主湖资源站上下载 MA TLAB 2009a ，或者 2010a ，按照其中的安装说明 安装 MATLAB 。（ MATLAB 较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局 首先我们说一下 MA TLAB 处理空间面板数据时，数据文件是怎么布局的，熟悉 eviews 的同学 可能知道， eviews 中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间 序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中 “1-94”“1-95” “1-96” “ 1-97”中， 1是省份的代号， 94,95,96,97 表示年份， eviews 是将每个省 份的数据放在一起，再将所有省份堆放在一起。 与 eviews 不同， MATLAB 处理空间面板数据时，面板数据的布局是（在 excel 中说明）： 先排 放一个横截面上的数据（即某年所有省份的数据） ，再将不同年份的横截面按时间顺序堆放在一起。 如图：
这里需要说明的是， MA TLAB 中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。二、数据的输入： MATLAB 与 excel链接：在 excel中点击“工具→加载宏→浏览” ，找到 MA TLAB 的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为： C:\Programfiles\MATLAB\R2009a\toolbox\exlink ，点击 excllink.xla 即可完成 excel 与 MATLAB 的链接。这样的话 excel 中的数据就可以直接导入 MATLAB 中形成 MATLAB 的数据文件。操作完成后 excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB ”即表示我们希望 excel 与
面板数据模型理论知识(最新)
1.Panel Data 模型简介 Panel Data 即面板数据，是截面数据与时间序列数据综合起来的一种数据类型，是截面上个体在不同时点的重复观测数据。 相对于一维的截面数据和时间序列数据进行经济分析而言，面板数据有很多优点。(1)由于观测值的增多，可以增加自由度并减少了解释变量间的共线性，提高了估计量的抽样精度。(2)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，可以构建并检验更复杂的行为模型。(3)面板数据可以识别、衡量单使用一维数据模型所不能观测和估计的影响，可以从多方面对同一经济现象进行更加全面解释。 Panel Data 模型的一般形式为it K k kit kit it it x y μβα++=∑=1 其中it y 为被解释变量，it x 为解释变量， i ＝1，2，3……N ，表示N 个个体；t ＝1，2，3……T ，表示已知T 个时点。参数it α表示模型的截距项，k 是解释变量的个数，kit β是相对应解释变量的待估计系数。随机误差项it μ相互独立，且满足零均值，等方差为2δ的假设。 面板数据模型可以构建三种形式（以截面估计为例）： 形式一： 不变参数模型 i K k ki k i x y μβα++=∑=1 ，又叫混合回归模型，是指无论从时间上还是截面上观察数据均不存在显著差异，故可以将面板数据混合在一起，采用普通最小二乘估计法（OLS ）估计参数即可。 形式二：变截距模型i K k ki k i i x y μβαα+++=∑=1 *，*α为每个个体方程共同的截距项，i α是不同个体之间的异质性差异。对于不同个体或时期而 言，截距项不同而解释变量的斜率相同,说明存在不可观测个体异质影响但基本结构是相同的，可以通过截距项的不同而体现出来个体之间的差异。当i α与i x 相关时，那就说明模型为固定效应模型，当i α与i x 不相关时，说明模型为随机效应模型。 形式三：变参数模型 i K k ki ki i i x y μβαα+++=∑=1 * ，对于不同个体或时期而言，截距项（i αα+*）和每个解释变量的斜率ki β都是不相同的，表 明不同个体之间既存在个体异质影响也存在不同的结构影响，即每个个体或时期都对应一个互不相同的方程。同样分为固定效应模型和随机效应模型两种。 注意：这里没有截距项相同而解释变量的系数不相同的模型。 2.Panel Data 模型分析步骤
《计量经济学》谢识予分章练习题
计量经济学分章练习题 第一章习题 一、判断题 1. 投入产出模型和数学规划模型都是计量经济模型。（X ） 2. 弗里希因创立了计量经济学从而获得了诺贝尔经济学奖。（V ） 3. 丁伯根因创立了建立了第1个计量经济学应用模型从而获得了诺贝尔经济学奖。（V ） 4. 格兰杰因在协整理论上的贡献而获得了诺贝尔经济学奖。（V ） 5. 赫克曼因在选择性样本理论上的贡献而获得了诺贝尔经济学奖。（V ） 二、名词解释 1 ?计量经济学，经济学的一个分支学科，是对经济问题进行定量实证研究的技术、方法和相关 理论。 2. 计量经济学模型，是一个或一组方程表示的经济变量关系以及相关条件或假设，是经济问题 相关方面之间数量联系和制约关系的基本描述。 3?计量经济检验，由计量经济学理论决定的，目的在于检验模型的计量经济学性质。通常最主 要的检验准则有随机误差项的序列相关检验和异方差性检验，解释变量的多重共线性检验等。 4?截面数据，指在同一个时点上，对不同观测单位观测得到的多个数据构成的数据集。 5?面板数据，是由对许多个体组成的同一个横截面，在不同时点的观测数据构成的数据。 三、单项选择题 1. 把反映某一单位特征的同一指标的数据，按一定的时间顺序和时间间隔排列起来，这样的数 据称为（B ） A.横截面数据C.面板数据 B.时间序列数据D.原始数据 2.同一时间、不同单位按同一统计指标排列的观测数据称为（ C ） A.原始数据 B .时间序列数据 C?截面数据 D .面板数据 3.不同时间、不同单位按同一统计指标排列的观测数据称为（ D A.原始数据 B .时间序列数据 C?截面数据 D .面板数据 4.对计量经济模型进行的结构分析不包括（D ） A.乘数分析 B .弹性分析 C.比较静态分析 D .随机分析 5.一个普通家庭的每月所消费的水费和电费是（ B ） A.因果关系 B .相关关系 C?恒等关系 D .不相关关系 6.中国的居民消费和GDP^( C )
重要动态面板数据模型完全
第17章 动态面板数据模型 17.1 动态面板数据模型 前一章讨论具有固定效应和随机效应的线性静态面板数据模型，但由于经济个体行为的连续性、惯性和偏好等影响，经济行为是一个动态变化过程，这时需要用动态模型来研究经济关系。本章主要讨论动态面板数据模型的一般原理和估计方法，然后介绍了面板数据的单位根检验、协整分析和格朗杰因果检验的相关原理及操作。 17.1.1动态面板模型原理 17.1.2）时，第一3不相关。可以形成预先的工具变量： 12122000000i i i i i iT Y Y Y Y Y -?????????? 每一个预先决定的变量的相似的工具变量便可以形成了。假设it ε不存在自回归，不同设定的最优的GMM 加权矩阵为： 1 1'1M d i i i H M Z Z --=??=Ξ ??? ∑ （17.1.4） 其中Ξ 是矩阵，221000120001200 02100012σ-????-? ???Ξ=??-????-??
i Z 包含严格外生变量和预先决定的变量的混合。该加权矩阵用于one-step Arellano-Bond 估计。 给定了one-step 估计的残差后，我们就可以用估计计算的White 时期协方差矩阵来代替加权矩阵H d ： 1 1''1M i i i i i H M Z Z εε--=??=?? ??? ∑ （17.1.5） 该加权矩阵就是在Arellano-Bond 两步估计中用到的矩阵。 我们可以选择两者中一个方法来改变最初的方程，以消除对总体偏离而计算的个体效应（Arellano 和Bover ，1995）。详情见后面的GMM 估计，用正交偏离而转换残差有个特点就是转换设定的第一阶段最优加权矩阵是简单的2SLS 加权矩阵。 GMM 这里通过下面式子进行估计： '''(()())(()())i i i i i i E g g E Z Z ββεβεβ= （） 而'1()()M i i i G Z f ββ=??=-? ??? ∑ 在简单的线性模型中'(,)it it f X X ββ=，我们可以得到系数的估计值为：
第十六章-面板数据模型一
第16章静态面板数据模型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。 对于面板数据y it（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）。 本章主要讨论静态面板数据模型的相关理论及软件操作，首先从模型的检验开始到介绍变截距模型中的固定影响变截距模型和随机影响变截距模型，然后到变系数模型。本章的流程图如下：
16.1面板数据模型建模的基本原理 在应用多元回归分析建立的计量经济模型时，如果所建的模型中缺失了某些不可观测的重要解释变量，使得回归模型随机误差项常常存在自相关。于是回归参数的最小二乘法OLS 估计量不再是无偏估计或有效估计。但是，运用面板数据建立的计量经济模型时，对于一些忽略的解释变量可以不需要其实际观察值，而通过控制该变量对被解释变量的影响的方法获得模型参数的无偏估计。 由此可见，面板数据不仅可以同时利用截面数据和时间序列数据建立计量经济模型，而且能更好地识别和度量单纯的时间序列模型和单纯截面数据模型所不能发现的影响因素，它能够构造和检验更复杂的行为模型。例如：在宏观领域，它被广泛用于劳动经济学、国际金融、经济增长、产业结构、技术创新、税收政策等领域。 16.1.1面板数据模型基本框架 面板数据能更好地识别和度量时间序列或截面数据不可发觉的效应，有助于建立和检验更复杂的行为模型，其基本模型是如下形式的一般回归模型： 1,2,,,1,2,,it it it i t it y x i N t T αβδγε=++++==L L （16.1.1） 其中：it y 是个体i 在时间t 时期的观测值，α表示模型的常数项，i δ代表固定或者随机的截面效应，t γ代表固定或者随机的时期效应，it x 表示k 阶解释变量观测值向量。β表示解释变量的系数向量，并且在根据其条件的限制分为三种值，一是对所有截面和时期都是相同的常数，二是在不同的截面是不同的系数，三是在不同的时期是不同的。it ε是独立同分布的误差项，即()0it E ε=。 在公式（16.1.1）中，如果考虑k 个解释变量，自由度NT 远小于参数个数，对于截面成员方程，待估计参数的个数为((1))NT k N ++，对于时间截面方程，待估计参数的个数为((1))NT k T ++，这使得该模型无法估计。为了对模型进行估计，则可以建立以下的两类模型：从个体成员角度考虑，建立含有N 个个体成员方程的面板数据模型；在时间点上截面，建立含有T 个时间点截面方程的面板数据模型。 1）含有N 个个体成员方程的面板数据模型 模型形式如下： i T i it i T T i y l x l I αβδγε=++++ （16.1.2） 其中：i y 是个体i 的观观测值的时间序列。系数向量β取值受不同个体的影响，i x 表示个体i 解释变量观测值时间序列。T l 是T 阶的单位行向量，T I 是T 阶的单位列向量。 '12()T γγγγ=L ，，，，包括所有的时点效应。该式含有N 个截面方程。
面板数据模型入门讲解
第十四章 面板数据模型 在第五章，当我们分析城镇居民的消费特征时，我们使用的是城镇居民的时间序列数据；而当分析农村居民的消费特征时，我们使用农村居民的时间序列数据。如果我们想要分析全体中国居民的消费特征呢？我们有两种选择：一是使用中国居民的时间序列数据进行分析，二是把城镇居民和农村居民的样本合并，实际上就是两个时间序列的样本合并为一个样本。 多个观测对象的时间序列数据所组成的样本数据，被称为面板数据（Panel Data ）。通常也被称为综列数据，意即综合了多个时间序列的数据。当然，面板数据也可以看成多个横截面数据的综合。在面板数据中，每一个观测对象，我们称之为一个个体（Individual ）。例如城镇居民是一个观测个体，农村居民是另一个观测个体。 如果面板数据中各观测个体的观测区间是相同的，我们称其为平衡的面板数据，反之，则为非平衡的面板数据。基于面板数据所建立的计量经济学模型则被称为面板数据模型。例如，表5.3.1中城镇居民和农村居民的样本数据具有相同的采样区间，所以，它是一个平衡的面板数据。 §14.1 面板数据模型 一、两个例子 1. 居民消费行为的面板数据分析 让我们重新回到居民消费的例子。在表5.1.1中，如果我们将城镇居民和农村居民的时间序列数据作为一个样本，以分析中国居民的消费特征。那么，此时模型（5.1.1）的凯恩斯消费函数就可以表述为： it it it Y C εββ++=10 （14.1.1） it t i it u ++=λμε （14.1.2） 其中：it C 和it Y 分别表示第i 个观测个体在第t 期的消费和收入。i =1、2分别表示城镇居民和农村居民两个观测个体，t ＝1980、…、2008表示不同年度。it u 为经典误差项。 在（14.1.2）中，i μ随观测个体的变化，而不随时间变化，它反映个体之间不随时间变化的差异性，被称为个体效应。t λ反映不随个体变化的时间上的差异性，被称为时间效应。在本例中，城镇居民和农村居民的消费差异一部分来自收入差异和随机扰动，还有一部分差
(完整word版)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（consume）和人均收入（income）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 CONSUMEHB 3424.35 4003.71 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 CONSUMELN 3493.02 3719.91 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 CONSUMEZJ 5764.27 6170.14 6217.93 6521.54 7020.22 7952.39 8713.08 表9.2 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入（元）数据人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.8 6032.4 INCOMEBJ 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 INCOMENMG 3431.81 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 6955.79 7358.72 7836.76 8427.95 9279.16 10464.67 11715.6
面板数据模型与应用
面板数据模型初步 在经济学研究和实际应用中，经常会遇到时间序列与横截面相结合的二维数据。例如，在居民家庭消费分析中，会遇到不同省市地区的居民家庭人均消费和居民家庭人均收入的年度时间序列数据；在生产函数分析中，会遇到不同企业的产出、资本、劳动等年度或季度时间序列数据。这种具有时间序列与横截面信息的二维数据称为面板数据（Panel Data ），也可称为平行数据、时间序列与截面混合数据（Pooled Time Series and Cross Section Data ）。面板数据从横截面上看，是由若干个体，比如个人、家庭、企业或国家等，在某一时间构成的截面观测值，从纵剖面上看每个个体都是一个时间序列。 经典计量经济学在分析实际问题时，只利用了时间序列或截面数据进行建模，在很多情况下是不能满足人们分析问题的需要。例如，在分析企业生产成本问题，若只选用截面数据，即选择同一时间上不同规模的企业数据作为样本观测，可以分析生产成本与企业规模的关系，但是不能分析技术革新对生产成本的影响；若只采用时间序列数据，即选择某个企业在不同时间上的数据作为样本观测，可以分析生产成本与技术革新的关系，但是不能分析企业规模对生产成本的影响；然而利用面板数据，即在不同的时间上选择不同规模的企业数据作为样本观测，就可以同时分析企业规模和技术革新对生产成本的影响。因此，面板数据含有更多的信息，能更好构造和检验真实的、复杂的行为模型，同时它还能够增加模型的自由度，降低解释变量之间的多重共线性程度，更高的估计效率，正是由于面板数据具有诸多的优点，Panel Data 模型是近年来非经典计量经济学的一个重要发展之一，在经济学领域得到大量广泛的应用，比如在宏观经济领域，它被广泛应用于经济增长、技术创新、金融、税收政策等领域；在微观经济领域，它被大量应用于就业、家庭消费、入学、市场营销等领域。但是，由于面板数据自身的特点，Panel Data 模型的设定和估计都存在一定的假设条件，如果应用不当的话，将会产生较大偏误，估计结果与实际相差甚远。 第一节 面板数据模型分类 从形式上看，面板数据与截面数据或时间序列数据的区别在于变量用双下标表示，例如： T t N i y x it it ,,2,1;,,2,1,, == 其中i 对应面板数据中不同个体，如个人、家庭、企业或国家等，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间，T 表示时间序列的最大长度。对于面板数据，如果数据是完整的，即每个个体在相同的时期内都有观测记录，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，称此面板数据为非平衡面板数据（unbalanced panel data ），例如，考虑时间跨度为20年的企业生产函数问题，在此期间若某些企业倒闭，将缺失有关数据。 例1：2002-2009年中国西部9个省市区的城镇居民家庭人均支出（CP ）和人均收入（IP ）数据见表1和表2。数据是8年的，每一年都有9个数据，共72组观测值。 人均支出和收入两个面板数据都是平衡面板数据，各有9个个体。人均支出和收入的面板数据从纵剖面观察分别见图1和图2。 表1 2002—2009年中国西部9个省市区的城镇居民家庭人均支出数据 CP-SC （四川） 5413.08 5759.21 6371.14 6891.27 7524.81 8691.99 9679.14 10860.2 CP-CQ （重庆） 6360.24 7118.06 7973.05 8623.29 9398.69 9890.31 11146.8 12144.1 CP-YN （云南） 5827.92 6023.56 6837.01 6996.9 7379.81 7921.83 9076.61 10201.8 CP-GZ （贵州） 4598.28 4948.98 5494.45 6159.29 6848.39 7758.69 8349.21 9048.3 CP-GS （甘肃） 5064.24 5298.91 5937.3 6529.2 6974.21 7875.78 8308.62 8890.8 CP-NX （宁夏） 5104.92 5330.34 5821.38 6404.31 7205.57 7817.28 9558.29 10280 CP-QH （青海） 5042.52 5400.24 5758.95 6245.26 6530.11 7512.39 8192.56 8786.5 CP-SX （陕西） 5378.04 5666.54 6233.07 6656.46 7553.28 8427.06 9772.07 10705.7