内容发布更新时间 : 2024/6/7 16:11:47星期一 下面是文章的全部内容请认真阅读。
面板数据分析方法总结
这是我在查阅各种资料后得出的关于面板数据的总结，最近在做面板的实证论文，所以需要这个，欢迎大家继续扩充，只要是关于面板的都行，关于具体如何在Eviews6中实现的更好，不甚感激。 ----------
*横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。
*一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。
*单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) (1992 ,1993 ,2002) 、Im、Pesaran 和Shin 方法( IPS 检验) (1995 ,1997) 、Maddala 和Wu 方法(MW检验) (1999) 等。
*协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有:
(1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。 (2)Pedron(i1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。
(3)Larsson et a(l2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法。这种检验的方法是检验变量存在共同的协整的秩。
*一般的顺序是：先检验变量的平稳性,当变量均为同阶单整变量时,再采用协整检验以判别变量间是否存在长期均衡关系。如果变量间存在长期均衡的关系,我们可以通过误差修正模型(ECM) 来检验变量间的长期因果关系;如变量间不存在协整关系,我们将对变量进行差分,然后通过向量自回归模型(VAR),检验变量间的短期因果关系。 关于平稳性检验和协整检验、因果检验流程图
↗ 同阶单整→协整检验→协整？（YES：EG两步法 for 长期因果关系；NO：误差修正模型ECM/VEC for 短期因果关系） 平稳？（单位根检验）
↘非同阶单整→差分使平稳→VAR→Granger因果检验 for 短期因果关系 关于面板数据模型选择回归与检验流程图
混合 固定（main：个体固定） 随机（main：个体随机）
▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏ ▏先回归估计 ▏先回归估计
↓Cross-section:fixed ↓Cross-section:random F检验 Hausman检验 ▏ ▏
H0:混合 H1:个体固定 HO:个体随机 H1:个体固定 --
Output： ▏ ▏
If: If:
F=(Cross-section F Stat.)>Fa(df1,df2) H=(Cross-section Random Stat.)>χ2a(df1)
or Prob. Then:reject H0,accept H1 Then:reject H0,accept H1 以Eviews6为例，来说明一下面板模型的选择问题： F检验是用来在混合模型和固定效应模型中做出选择，而Hausman检验是用来在固定效应模型和随机效应模型中做出选择，所以不存在孰先孰后的问题； 由于我们通常估计的个体效应而不是时刻效应，所以我们进行回归和检验的时候，Period选择None。 回归的时候，具体操作设置如下， Depedent Variable里填因变量，Common Coefficients里填自变量（包括截距项c），Cross-Section视回归需要选择None、Fixed、Random，Period选择None，可以依次实现混合回归、个体固定回归、个体随机回归。然后在个体固定回归之后，进行F检验进行模型选择决策1；在个体随机回归之后，进行Hausman检验进行模型选择决策2，从而最终得出最佳回归。