面板数据分析方法总结_面板数据分析方法_eviews面板数据分析

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:randomF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.

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。

转载请注明：数据分析 » 面板数据分析方法总结_面板数据分析方法_eviews面板数据分析

面板数据异方差的处理_xtscc法+面板数据回归

一、前言

计算和互联网技术的广泛运用极大地提高了数据的可获得性，使大量的数据得以收集、保存和整理。与此同时，计量经济学在整个经济学体系中的地位日益提升。在顶级经济学杂志的论文中，应用计量论文已占到了相当高的比例。正是在这些背景之下，面板数据受到了越来越多经济研究人员的欢迎，面板数据的应用研究亦成为热点。

面板数据成为研究的热点一方面自然是因为本身优秀的特质；另一方面也归因于面板数据在应用过程中仍有许多问题和未知领域需要去探索。在面板数据回归分析中，如果存在异方差，最小二乘估计出的系数尽管是线性、无偏和一致的，但不是有效的，甚至不是渐进有效的。这些影响将导致参数估计和假设检验失效。

二、异方差产生的原因

异方差产生的因素很多，比如模型中省略了某些重要的解释变量，模型形式设定不准确，样本数据中存在的测量误差，异常值的出现，截面个体之间的差异等。面板数据是具有时序和截面双重性质的数据形式，异方差不仅会出现在时间序列上还将出现在横截面序列上，所以面板数据模型中的异方差问题要比单纯的时间序列或截面数据模型要复杂得多。

三、面板数据异方差处理方法

实际上，在处理面板数据线性回归时，主要考虑固定效应模型与pooled OLS的异方差问题。因为随机效应模型使用GLS估计，本身就已经控制了异方差。

Huber (1967)、Eicker (1967) 和 White (1980)提出了异方差—稳健方差矩阵估计，该方法能够在考虑异方差情况下求出稳健标准误。利用异方差稳健标准误对回归系数进行t检验和F检验都是渐近有效的。这就意味着，如果出现异方差，仍然可以使用OLS回归，只需结合使用稳健标准误即可。在STATA中，异方差—稳健标准误可以在“reg”或者“xtreg”语句后，加选择性命令“robust”即可得到。但是这一方法有一个假设的前提：残差项是独立分布的。

Parks(1967)提出了可行广义最小二乘法（FGLS），一般用于随机效应模型估计。基本思路是：先估计固定效应模型，得到〖个体误差项方差σ〗_ε^2 的估计值〖 σ 〗_ε^2。继而估计混合OLS模型，利用其残差和第一步得到的〖 σ 〗_ε^2,即可估计出总体误差项的方差σ _μ^2 。FGLS 估计量在N→∞或T→∞或二者都成立的情况下，都是渐进有效的。在STATA中，运用可行广义最小二乘法的命令是：xtgls。FGLS 要比“OLS+稳健标准误”处理异方差的方法更为有效，特别是在大样本的情况下。但是在更一般的情况下，“OLS+稳健标准误”比FGLS稳健，因为前者不需要估计条件方差函数的形式。

Beck and Katz (1995) 认为FGLS产生的标准误过小。为解决这一影响，他们提出了面板校正标准误（PCSE）来估计OLS的系数。在STATA中，带PCSE的pooled OLS可以由xtpcse获得。但是PCSE仅为T→∞时渐进有效的。当T/N 较小时，这一方法则不够精确。

Driscoll& Kraay (1998)提出了在N→∞的情况下渐近有效的非参数协方差矩阵估计方法，能够获得控制异方差和自相关的一致标准误，克服了PCSE在N→∞情况下不够准确的问题。在STATA中，获得Driscoll&Kraay 标准误的命令是xtscc。需要说明的是，xtscc只适用于估计pooled OLS和固定效应（组内）回归模型。

四、结论

通过以上比较分析可以看出，仅仅从方法上去比较处理异方差的方式孰优孰劣是不够的，还要结合样本情况、模型设置以及个人的追求偏好（如追求稳健或追求有效的偏好）进行选择。

参考文献：

[1] Huber, P. J. 1967. The behavior of maximum likelihood estimates under nonstandard conditions. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability,vol.1,221-233.Berkeley,CA: University of California Press.

[2] Eicker, F. 1967. Limit theorems for regressions with unequal and dependent errors. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, ed. L. Le Cam and J. Neyman, 59-82. Berkeley, CA: University of California Press.

[3] White, H. 1980. A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica 48: 817-838.

[4] Parks, R. 1967. Efficient estimation of a system of regression equations when disturbances are both serially and contemporaneously correlated. Journal of the American Statistical Association 62: 500-509.

[5] Beck, N., and J. N. Katz.1995. What to do (and not to do) with time-series cross-section data. American Political Science Review 89: 634-647.

[6] Driscoll,J.,andA.C.Kraay.1998. Consistent covariance matrix estimation with spatially dependent data. Review of Economics and Statistics 80: 549-560.

转载请注明：数据分析 » 面板数据异方差的处理_xtscc法+面板数据回归

信息转载自网络，更多相关信息请点击：数据分析报告http://www.shuziyingxiao.net/sjfx/