面板数据讲义

面板数据模型与应用

1．面板数据定义

的中译：面板数据、桌面数据、平行数据、纵列数据、时间序列截面数据、混合数据（）、固定调查对象数据。

面板数据定义

（1）面板数据定义为相同截面上的个体在不同时点的重复观测数据。

（2）称为纵向()变量序列（个体）的多次测量。

面板数据从横截面（）看，是由若干个体（, , ）在某一时点构成的截面观测值，从纵剖面（）看每个个体都是一个时间序列。

图1 7，50的面板数据示意图

面板数据用双下标变量表示。例如

, 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，., ( i = 1, 2, …, N)是横截面上的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）。

2. 面板数据模型

面板数据模型是利用面板数据构建的模型。面板数据系一组个体在一段时间内的观测值形成的数据集，这里“个体”可以是个人、家庭、企业、行业、地区或国家（，2008）。1966年，& 发表了第一篇利用面板数据模型研究天然气需

求估计的论文，此后，面板数据模型这一新的计量分析方法在理论和应用上得到迅速发展，已形成现代计量经济学的一个相对独立的分支。

面板数据模型由于同时使用了截面数据（）和时间序列数据（），因而可以控制个体的异质性，识别、测量单纯使用这两种数据无法估计的效应；并且具有包含更多的信息、更大的变异和自由度、变量间的共线性也更弱的特性，可得到更精确的参数估计（，2003、2008）。

面板数据涉及个体（N）和时间（T）两个维度，有微观面板（）和宏观面板（）之分。

微观面板源于截面数据的计量分析，是针对个体的调查数据，其特点是个体

数N较大（通常是几百或几千个），而时期数T较小（最少为2年，最长不超过20年），主要应用于劳动经济学以及需求分析、成本分析和生产函数分析等。

宏观面板一般具有适度规模的个体N（从7到100或200不等，如G7，、欧盟、发达国家或发展中国家），时期数T一般在20至60之间，甚至更大。这类数据可以刻画一些制度或政策的外生变化，常用于识别政策效应研究中的关注参数。

宏观和微观面板要求使用不同的计量建模方法。微观面板通常研究T固定而N较大时（简称“大N小T”）的渐近性质，而宏观面板则是同时考虑T和N都较大时（简称“大N大T”）的渐近性质，此时可以分为对角极限、序贯极限和联合极限三种情形来讨论。

对于宏观面板，当T较大时需要考虑数据的非平稳（如单位根和协整）与结

构变化等特征；微观面板由于时间短，一般不需要处理非平稳问题。在处理宏观面板时，还必须考虑个体之间的相关性，即截面相关，而在微观面板中，如果个体是随机抽样产生，则个体之间不大可能存在相关性，不需要考虑此类问题（，2008）。

假设有N 个个体T 期的观测值it y 和kit X ，1,,i N =，1,,t T =，1,,k K =；it y 是在it X 、it Z 和一组固定参数θ的条件下，概率分布(),,it it it F y X Z θ产生的随机结果，其中it Z 是不可观测的影响因素。(如何理解？)

面板数据建模的目的是利用全部的样本信息来对θ进行推断。

假定感兴趣的影响因素是it X ，通常的做法是通过θ在时间和个体上的变化，即it θ来反映不可观测的异质性；因此，给定it X ，it y 的条件密度为(),it it it f y X θ。

此时如果不对it θ进行任何约束，该模型就只有描述性作用，不能进行任何的统计推断（如何理解？）。

常用的施加在it θ上的约束条件是将it θ分解为(),it βλ，其中β不随时间和个体变动，称为结构参数（），it λ称为冗余参数（），迄今，面板数据的文献主要集中在控制了it λ后如何对β进行推断。

进一步，如果不对it λ施加约束也不能对β做出推断，因为it λ将会耗尽所有的样本信息。

一般的处理思路是：假定可观测变量it X 的影响不随时间和个体变化，由β描述；冗余参数it λ代表了it X 以外随个体和时间变化的异质性影响，这种影响可以

分解为个体效应i u 、时间效应t γ以及随个体和时间变化的效应it ε。

个体效应i u 和时间效应t γ可以设定为随机变量，也可以设定为固定的参数，分别形成了随机效应（）模型和固定效应（）模型。

所要研究的问题：

1. 模型的设定

2. 模型估计

3. 模型的检验

4. 模型的应用

问题：是否可将前面计量经济学所教授的内容直接应用于面板数据计量经济学模型。

答案是否定的。

尽管基本的思路有相似之处，但面板数据模型有其自身的特点。特点：

1.模型的设定：（）、（）等等；

2. 估计估计，ＦＧＬＳ估计等等

３.检验异方差性检验、检验等等；

如何理解估计、推断、检验、设定等方面的问题？

经典的面板数据模型可以分为静态模型和动态模型。

静态面板数据模型设定的一般形式为：

, 1,,; 1,,it it

i t it y X u i N t T αβγε'=++++== （1）其中，it ε与it X 不相关。

若i u 和t λ为固定的常数，模型（1）称为固定效应模型；为了避免陷阱，设定10N i i u

==∑，10T

t t γ==∑，通常采用组内（）（）方法来估计，并通过F 检验或检验考察固定效应是否存在（为什么要检验？检验什么？如何检验？）。若i u 和t λ为随机变量，模型（1）称为随机效应模型。此时除了假定it ε与it X 不相关，还需进一步假定i u 和t λ与it X 不相关。对于随机效应模型，可以采用的方法来估计。

上述两种效应的设定各有特点。

X相关，但待估参数个固定效应模型允许个体效应（时间效应）与解释变量

数随着样本容量的增大而增大，即存在冗余参数问题，且模型中不能包含非时变的变量。（会出现什么问题？）

随机效应模型中，待估参数个数不随样本容量的变化而变化，当随机的个体

X不相关时能够得到更有效的估计量，模型中可以包括不效应（时间效应）与

X相关时，随时间变化的变量；其缺点在于若随机的个体效应（时间效应）与

估计量是不一致的。通过检验，即原假设下两个一致统计量是否有显著差异可以判断采用何种设定更合适。（操作细节？）

很多经济关系具有动态性，可以通过在模型中加入被解释变量的滞后作为解释变量来刻画：

,1, 1,,; 1,,it i t it i it y y X u i N t T γβε-'=+++== （2）

其中，个体效应i u 可以是固定或随机的；若i u 为随机的，则假定i u 与it ε不相关。式（2）称为动态面板数据模型，其在时间上的记忆性来自两个方面：一是,1i t y -作为解释变量所引起的自相关；

二是由个体效应所引起的自相关。

无论将i u 设定为固定效应还是随机效应，即使it ε是..

i i d ，模型（2）也会产生内生性问题，对应的估计量均是不一致的。为什么？

为了解决这一问题，早期的研究采取方法有：

一是对模型（2）进行一阶差分，然后进行估计或估计（，1981）。

（1991）扩展了一般的估计，建议使用变量水平值的所有滞后项作为差分变量的工具变量以提高估计的有效性，这一方法称为差分估计；

差分估计的一个缺点是差分会导致模型扰动项出现序列相关。

为此，（1995）建议通过正交离差（）的变换来消除个体效应的影响。差分估计的另一个缺陷是估计量在有限样本下存在较大的偏差，当自回归系数接近1时尤为严重；

和（1998）的研究表明，差分估计的这一不良表现源于使用变量水平值的滞后项作为差分变量的工具变量所导致的弱工具变量问题（，1997），因而提出系统估计的方法，建议在进行差分估计的同时使用另一组矩条件来估计参数，即使用变量差分值的滞后项作为水平变量的工具变量。（1998）的推导与模拟表明，系统估计能有效克服弱工具变量的问题，极大地改进了估计量的有限样本表现，在降低偏差的同时提高了估计的精度。

早期的面板数据模型均假定截面之间是相互独立的。但是，忽略个体之间的

截面相关将会影响估计量的有效性甚至导致估计量的不一致（，2006）。近年来，面板数据模型的一个重要发展方向是考虑截面相关的面板数据模型的估计与推断。与时序数据中度量序列相关不同，截面相关并没有一个直接的度量方式。因此，为了刻画模型的截面相关，必须对模型施加很强的假定。常用的两种度量截面相关的方法是空间的方法（）和因子的方法（）。

空间的方法是通过空间加权矩阵建立起个体之间的相依性，往往用于刻画由于经济活动的相互依赖、相互影响而呈现的相关，如源于地理位置相近，文化、历史的相似，或由于存在贸易往来、劳动力流动、产业结构关联等。由空间方法刻画的截面相关反映不同个体之间存在一般的相关性，即截面相关阵的特征根有界，是一种截面弱相关。理论上空间加权矩阵可以出现在模型中的任何位置（因变量、自变量和扰动项），因自变量的空间相关不会产生新的估计问题，所以相

关研究集中在因变量和扰动项的空间相关，对应的模型分别称为空间滞后模型和空间误差模型。这两类模型一般采用工具变量估计（广义矩估计）或极大似然估计。

因子的方法描述的是由凌驾于整个区域市场的经济波动或行政力量冲击造成的结果，表现为一种共同冲击，即不同个体之间的相关性是由某个共同的因子引起，因此截面相关阵存在O(n)阶的发散特征根，属于截面强相关。因子模型的一般形式为：

1,,;1,,it it

it it i t it y X i N t T F v βεε'=+=='=Λ+ （3）

其中，()1,,t t rt F f f '=是r 维的随机因子，()1,,i i ri λλ'Λ=是r 维的非随机因子载荷系数。it v 代表异质的冲击，

与t F 相互独立，且在截面之间相互独立。（2009）

对式（3）所刻画的因子模型的估计和推断做了详细的讨论。

（2011）考虑了如下更一般的模型来同时刻画截面强相关与截面弱相关： it i t i it i t it y d X f αβγε'''=+++ （4）

其中，t d 是1n ?的可观测的共同效应（），it X 是1k ?的个体特质的解释变量，t f 是1m ?的不可观测的共同因子，用于刻画截面强相关，it ε假定存在空间相关，用于刻画截面弱相关。（2011）指出，对于该模型，可以采用（2006）提出的方法来得到参数的一致估计。

除了上述讨论的几类面板数据模型外，文献中还有很多其它类型的面板数据模型，如微观计量模型中的离散因变量模型（包括静态和动态）、受限因变量模型(包括截断和归并)在面板数据下的扩展，以及非线性面板数据模型（阈值面板数据模型、平滑转移的面板数据模型等）、多方程面板数据模型等等（，2003；，

2008）。这些模型也是未来面板数据模型理论和应用研究的重要发展方向。

下面以例子来加以说明如何理解上述描述：

例1：1996-2002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（）和人均收入（）数据见5021。数据是7年的，每一年都有15个数据，共105组(个)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个时间序列数据。人均消费和收入的面板数据从纵剖面观察分别见图2和图3。从横截面观察分别见图4和图5。横截面数据散点图的表现与观测值顺序有关。图4和图5中人均消费和收入观测值顺序是按地区名的汉语拼音字母顺序排序的。

图2 15个省级地区的人均消费序列（纵剖面）图3 15个省级地区的人均收入序列

2000

4000

6000

8000

10000

12000

1400024

681012

14200040006000800010000120001400024681012

图4 7个时点人均消费横截面数据（含15个地区）图5 7个时点人均收入横截面数据（含15个地区）

(每条连线数据表示同一年度15个地区的消费值) (每条连线数据表示同一年度15个地区的收入值)

用表示消费，表示收入。, , , , , , , , , , , , , , 分别表示安徽省、北京市、福建省、河北省、黑龙江省、吉林省、江苏省、江西省、辽宁省、内蒙古自治区、山东省、上海市、山西省、天津市、浙江省。

图6 人均消费对收入的面板数据散点图（15个时间序列叠加）

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MATLAB实现链

面板数据分析简要步骤与注意事项(面板单位根—面板协整—回归分析)

面板数据分析简要步骤与注意事项（面板单位根检验—面板协整—回归分析）面板数据分析方法：面板单位根检验—若为同阶—面板协整—回归分析 —若为不同阶—序列变化—同阶建模随机效应模型与固定效应模型的区别不体现为R2的大小，固定效应模型为误差项和解释变量是相关，而随机效应模型表现为误差项和解释变量不相关。先用hausman检验是fixed 还是random，面板数据R-squared值对于一般标准而言，超过0.3为非常优秀的模型。不是时间序列那种接近0.8为优秀。另外，建议回归前先做stationary。很想知道随机效应应该看哪个R方？很多资料说固定看within，随机看overall，我得出的overall非常小0.03，然后within是53%。fe和re输出差不多，不过hausman检验不能拒绝，所以只能是re。该如何选择呢？步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993)很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al.(2002)的改进,提出了检验面板单位根的LLC法。Levin et al.(2002)指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250之间,截面数介于10～250之间)的面板单位根检验。Im et al.(1997)还提出了检验面板单位根的IPS法,但Breitung(2000)发现IPS法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher5种方法进行面板单位根检验。其中LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z分别指Levin,Lin&Chu t*

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。

面板数据分析简要步骤与注意事项面板单位根面板协整回归分析

面板数据分析简要步骤与注意事项面板单位根—面板协整—回归分析) 步骤一：分析数据的平稳性(单位根检验) 按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归( spurious regression )。他认为平稳的真正含义是：一个时间序列剔除了不变的均值(可视为截距)和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中 ,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布 , 这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002) 的改进, 提出了检验面板单位根的LLC法。Levin et al. (2002)指出,该方法允许不同截距和时间趋势，异方差和高阶序列相关，适合于中等维度(时间序列介于25?250之间，截面数介于10?250之间)的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的 IPS 法, 但 Breitung(2000) 发现 IPS 法对限定性趋势的设定极为敏感 , 并提出了面板单位根检验的 Breitung 法。Maddala and Wu(1999)又提出了 ADF-Fisher 和 PP-Fisher 面板单位根检验方法。由上述综述可知，可以使用 LLC、IPS、Breintung 、ADF-Fisher 和 PP-Fisher5 种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS、H-Z 分别指 Levin, Lin & Chu t* 统计量、 Breitung t 统计量、 lm Pesaran & Shin W 统量、计 ADF- Fisher Chi-square 统计量、PP-Fisher Chi-square 统计量、Hadri Z 统计量，并且 Levin, Lin & Chu t* 统计量、 Breitung t 统计量的原假设为存在普通的单位根过程， lm Pesaran & Shin W 统计量、 ADF- Fisher Chi-square 统计量、 PP-Fisher Chi-square 统计量的原假设为存在有效的单位根过程， Hadri Z 统计量的检验原假设为不存在普通的单位根过程。有时，为了方便，只采用两种面板数据单位根检验方法，即相同根单位根检验 LLC(Levin-Lin-Chu )检验和不同根单位根检验 Fisher-ADF 检验(注：对普通序列(非面板序列)的单位根检验方法则常用 ADF检验)，如果在两种检验中均拒绝存在单位根的原假设则我们说此序列是平稳的，反之则不平稳。如果我们以 T(trend )代表序列含趋势项，以 I (intercept )代表序列含截距项， T&I 代表两项都含，N (none)代表两项都不含，那么我们可以基于前面时序图得出的结论，在单位根检验中选择相应检验模式。但基于时序图得出的结论毕竟是粗略的，严格来说，那些检验结构均需一一检验。具体操作可以参照李子奈的说法：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

计量经济学面板数据模型讲义(4-7)

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。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。面板数据示意图见图1。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 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）。图1 N=7，T=50的面板数据示意图例如1990-2000年30个省份的农业总产值数据。固定在某一年份上，它是由30个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11年农业总产值数据组成的一个时间序列。面板数据由30个个体组成。共有330个观测值。对于面板数据y i t, 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）。注意：EViwes 3.1、4.1、5.0既允许用平衡面板数据也允许用非平衡面板数据估计模型。例1（file:panel02）：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（不变价格）和人均收入数据见表1和表2。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。人均消费和收入的

面板数据的分析步骤

面板数据的分析步骤面板数据的分析方法或许我们已经了解许多了，但是到底有没有一个基本的步骤呢？那些步骤是必须的？这些都是我们在研究的过程中需要考虑的，而且又是很实在的问题。面板单位根检验如何进行？协整检验呢？什么情况下要进行模型的修正？面板模型回归形式的选择？如何更有效的进行回归？诸如此类的问题我们应该如何去分析并一一解决？以下是我近期对面板数据研究后做出的一个简要总结，和大家分享一下，也希望大家都进来讨论讨论。步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250 之间,截面数介于10～250 之间) 的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square 统计量、Hadri Z统计量，并且Levin, Lin & Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程，lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程，Hadri Z统计量的检验原假设为不存在普通的单位根过程。有时，为了方便，只采用两种面板数据单位根检验方法，即相同根单位根检验LLC （Levin-Lin-Chu）检验和不同根单位根检验Fisher-ADF检验（注：对普通序列（非面板序列）的单位根检验方法则常用ADF检验），如果在两种检验中均拒绝存在单位根的原假设则我们

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

EViews 6.0在面板数据模型估计中的实验操作

EViews 6.0在面板数据模型估计中的实验操作 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

面板数据分析步骤

转载：面板数据分析的思路和Eviews操作：面板数据一般有三种：混合估计模型；随机效应模型和固定效应模型。首先，第一步是作固定效应和随机效应模型的选择，一般是用Hausman检验。如果你选用的是所有的企业，反映的是总体的效应，则选择固定效应模型，如果你选用的是抽样估计，则要作Hausman检验。这个可以在Eviews 5.1里头做。 H0：应该建立随机效应模型。 H1：应该建立固定效应模型。先使用随机效应回归，然后做Hausman检验，如果是小概率事件，拒绝原假设则应建立固定效应模型，反之，则应该采用随机效应模型进行估计。第二步，固定效应模型分为三种：个体固定效应模型、时刻固定效应模型和个体时刻固定效应模型（这三个模型的含义我就不讲了，大家可以参考我列的参考书）。如果我们是对个体固定，则应选择个体固定效用模型。但是，我们还需作个体固定效应模型和混合估计模型的选择。所以，就要作F值检验。相对于混合估计模型来说，是否有必要建立个体固定效应模型可以通过F检验来完成。 H0：对于不同横截面模型截距项相同（建立混合估计模型）。SSEr H1：对于不同横截面模型的截距项不同（建立时刻固定效应模型）。SSEu

F统计量定义为：F=[( SSEr - SSEu)/(T+k－2)]/[ SSEu/(NT-T-k)] 其中，SSEr，SSEu分别表示约束模型（混合估计模型的）和非约束模型（个体固定效应模型的）的残差平方和（Sum squared resid）。非约束模型比约束模型多了T–1个被估参数。需要指出的是：当模型中含有k 个解释变量时，F统计量的分母自由度是NT-T- k。通过对F统计量我们将可选择准确、最佳的估计模型。在作回归是也是四步：第一步，先作混合效应模型：在cross-section 一栏选择None ，Period也是None；Weights是cross-section Weights，然后把回归结果的Sum squared resid值复制出来，就是SSEr 第二步：作个体固定效用模型：在cross-section 一栏选择Fixed ，Period也是None；Weights是cross-section Weights，然后把回归结果的Sum squared resid值复制出来，就是SSEu 第三步：根据公式F=[( SSEr - SSEu)/(T+k－2)]/[ SSEu/(NT-T-k)]。计算出结果。其中，T为年数，不管我们的数据是unbalance还是balance 看observations就行了，也即Total pool (balanced) observations:的值，但是如果是balance我们也可以计算，也即是每一年的企业数的总和。比如说我们研究10年，每一年又500加企业，则NT＝10×500＝5000。K为解释变量，不含被解释变量。第四步，根据计算出来的结果查F值分布表。看是否通过检验。检验准则：当F> Fα(T-1, NT-T-k) , α=0.01,0.05或0.1时，拒绝原假设，则结论是应该建立个体固定效应模型，反之，接受原假设，则不能建立个体固定效应模型。

面板数据的计量方法

1.什么是面板数据？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）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为：北京市分别为8、9、10、11、12；上海市分别为9、10、11、12、13；天津市分别为5、6、7、8、9；重庆市分别为7、8、9、10、11（单位亿元）。这就是面板数据。 2.面板数据的计量方法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。例如1990-2000 年30 个省份的农业总产值数据。固定在某一年份上，它是由30 个农业总产值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由30 个个体组成。共有330 个观测值。面板数据模型的选择通常有三种形式：混合估计模型、固定效应模型和随机效应模型第一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。第二种是固定效应模型（Fixed Effects Regression Model）。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixed effects regression model）。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）、时刻固定效应模型（time fixed effects regression model）和时刻个体固定效应模型（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列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型。注意：个体固定效应模型的EViwes输出结果中没有公共截距项。（2）时刻固定效应模型。时刻固定效应模型就是对于不同的截面（时刻点）有不同截距的模型。如果确知

面板数据的计量方法

面板数据的计量方法 1.什么是面板数据？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）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为：北京市分别为8、9、10、11、12；上海市分别为9、10、11、12、13；天津市分别为5、6、7、8、9；重庆市分别为7、8、9、10、11（单位亿元）。这就是面板数据。 2.面板数据的计量方法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。例如1990-2000 年30 个省份的农业总产值数据。固定在某一年份上，它是由30 个农业总产值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由30 个个体组成。共有330 个观测值。面板数据模型的选择通常有三种形式：混合估计模型、固定效应模型和随机效应模型第一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。第二种是固定效应模型（Fixed Effects Regression Model）。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixed effects regression model）。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）、时刻固定效应模型（time fixed effects regression model）和时刻个体固定效应模型（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列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型。注意：个体固定效应模型的EViwes输

面板数据的常见处理

面板数据的常见处理 (2012-03-02 11:16:14) 标签：在写论文时经常碰见一些即是时间序列又是截面的数据，比如分析1999-2010的公司盈余管如上图所示的数据即为面板数据。显然面板数据是三维的，而时间序列数据和截面数据都是二维的，把面板数据当成时间序列数据或者截面数据来处理都是不合适的。处理面板数据的软件较多，一般使用、Stata等。个人推荐使用Stata，因为Stata比较适合处理面板数据，且个性化强。以下以为例来讲解怎么样处理面板数据。由于面板数据的存储结构与我们通常使用的存储结构不太一样，所在统计分析前，最好在excel中整理一下数据，形成如下图所示的数据

变量定义及输入数据启动，Stata界面有4个组成部分，Review（在左上角）、Variables（左下角）、输出窗口（在右上角）、Command（右下角）。首先定义变量，可以输入命令，也可以通过点击Data----Create new Variable or change variable。特别注意，这里要定义的变量除了因素1、因素2、……因素6、盈余管理影响程度等，还要定义年份和公司名称两个变量，这两个变量的数据类型（Type）最好设置为int（整型），公司名称不要使用中文名称或者字母等，用数字代替。定义好变量之后可以输入数据了。数据可以直接导入（File-Import），也可以手工录入或者复制粘贴（Data-Data Edit(Browse)），手工录入数据和在excel中的操作一样。以上面说的为例，定义变量year、company、factor1、factor2、factor3、factor4、factor5、factor6、DA。变量company 和year分别为截面变量和时间变量。显然，通过这两个变量我们可以非常清楚地确定panel data 的数据存储格式。因此，在使用STATA 估计模型之前，我们必须告诉它截面变量和时间变量分别是什么，所用的命令为tsset，命令为： tsset company year 输出窗口将输出相应结果。由于面板数据本身兼具截面数据和时间序列二者的特性，所以对时间序列进行操作的运算同样可以应用到面板数据身上。这一点在处理某些数据时显得非常方便。如，对于上述数据，我们想产生一个新的变量Lag _factor1 ，也就是factor1 的一阶滞后，那么我们可以采用如下命令： gen Lag_factor1= 统计描述：在正式进行模型的估计之前，我们必须对样本的基本分布特性有一个总体的了解。对于面板数据而言，我们至少要知道我们的数据中有多少个截面(个体) ，每个截面上有多少个观察期间，整个数据结构是平行的还是非平行的。进一步地，我们还要知道主要变量的样本均值、标准差、最大值、最小值等情况。这些都可以通过以下三个命令来完成：xtdes命令用于初步了解数据的大体分布状况，我们可以知道数据中含有多少个截面，最大和最小的时间跨度是多少。在某些要求使用平行面板数据的情况下，我们可以采用该命令来诊断处理后的数据是否为平行数据。Xtsum用来查询对组内、组间、整体计算各个变量的基本统计量（如均值、方差等）。为了方便，以下的举例都只用factor1，factor2两个自变量。 xtdes DA factor1 facto2

面板数据分析方法步骤

1.面板数据分析方法步骤面板数据的分析方法或许我们已经了解许多了，但是到底有没有一个基本的步骤呢？那些步骤是必须的？这些都是我们在研究的过程中需要考虑的，而且又是很实在的问题。面板单位根检验如何进行？协整检验呢？什么情况下要进行模型的修正？面板模型回归形式的选择？如何更有效的进行回归？诸如此类的问题我们应该如何去分析并一一解决？以下是我近期对面板数据研究后做出的一个简要总结，和大家分享一下，也希望大家都进来讨论讨论。步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250 之间,截面数介于10～250 之间) 的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量、

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

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

面板数据分析方法步骤全解

面板数据分析方法步骤全解面板数据的分析方法或许我们已经了解许多了，但是到底有没有一个基本的步骤呢？那些步骤是必须的？这些都是我们在研究的过程中需要考虑的，而且又是很实在的问题。面板单位根检验如何进行？协整检验呢？什么情况下要进行模型的修正？面板模型回归形式的选择？如何更有效的进行回归？诸如此类的问题我们应该如何去分析并一一解决？以下是我近期对面板数据研究后做出的一个简要总结, 和大家分享一下，也希望大家都进来讨论讨论。步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归, 尽管有较高的R 平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性, 我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和(或)截距项, 从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中丄evin

an dLi n(1993)很早就发现这些估计量的极限分布是高斯分布，这些结果也被应用在有异方差的面板数据中，并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002的改进，提出了检验面板单位根的LLC法。Levin et al. (2002)指出,该方法允许不同截距和时间趋势，异方差和高阶序列相关，适合于中等维度(时间序列介于25?250 之间，截面数介于10?250之间)的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS法，但Breitung(2000)发现IPS法对限定性趋势的设定极为敏感，并提出了面板单位根检验的Breit ung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。由上述综述可知，可以使用LLC IPS Breintung、ADF-Fisher和 PP-Fisher5种方法进行面板单位根检验。其中LLC-T、BR-T IPS-W、ADF-FCS PP-FCS H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、Im Pesaran & Shin W 统计量、 ADF- Fisher Chi-square统计量、PP-FisherChi-square统计量、Hadri Z 统计量，并且Levin, Lin & Chu t*统计量、Breitung t统计量的原假设为存在普通的单位根过程，Im Pesaran & Shin W统计量、ADF- Fisher Chi-square统计量、PP -Fisher Chi-square统计量的原假设为存在有效的单位根过程，Hadri Z统计量的检验原假设为不存在普通的单位根过程。