1、横截面数据、时间序列数据、面板数据 横截面数据：（时间固定） 横截面数据是在同一时间，不同统计单位相同统计指标组成的数据列。横截面数 据是按照统计单位排列的。因此，横截面数据不要求统计对象及其范围相同，但要求 统计的时间相同。也就是说必须是同一时间截面上的数据。 如: 名称 浦发银行 -2.72 白云机拐 -LOO 武钢股份 -1.44 东风汽车 -0.98 中国国贸 首创股份 -2.92 上海机场 -0.56 包钢股份 华能国际 时间序列数据：（横坐标为t,纵坐标为y） 在不同时间点上收集到的数据，这类数据反映某一事物、现象等随时间的变化状 态或程度。 面板数据：（横坐标为t,斜坐标为y,纵

2、坐标为z） 是截面数据与时间序列数据综合起来的一种数据类型。其有时间序列和截面两个 维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排 在一条线上有着明显的不同，整个表格像是一个面板,所以把panel data译作“面板数 据”。 举例： 女口：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。 女口： 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

3、是时间 序列。 女口： 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 & 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 城 2000 2001 2002 2003 北京 1 4 5 3 上海 2 4 3 6 重庆 2 1 3 5 天津 4 5 3 7 关于面板数据的统计分析 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的公司盈余管理影响因素，而影响盈余管 理的因素有6个，那么会形成如

4、下图的数据 公司1 公司2 公司100 因素1 因素6 盈余管理程 度 因素1 因素6 盈余管理程度 因素1 因素6 盈余管理程 度 1999 2000 2010 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Eviews6.0 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Statall.0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exce

5、 I中整理一下数据，形成 如下图所示的数据 年份 公司名称 因素1 因素2 因素6 盈余管理程度 1999 公司1 2000 公司1 公司1 2010 公司1 1999 公司2 2000 公司2 公司2 2010 公司2 变量定义及输入数据 启动Statall.O ， 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）、Comma nd （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 cha nge variable。 特别注意，这里要定义的变量除了因素1、因素2、因

6、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

7、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=L.factor1 统计

8、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

9、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 xtsum DA factor1 facto2 模型回归。 常用的处理面板数据的模型有混合 OLS 模型、固定效应模型、随机效应模型。各个 模型的区别请上网查查。下面说说各个模型的命令： 混合 OLS 模型输入命令： regress DA factor1 facto2 固定效应模型输入命令： xtreg DA factor1 factor , fe 随机效应模型输入命令： xtreg DA factor1 factor , re 模型的选择及检验 固定

10、效应模型要检验个体效应的显著性，这可以通过固定效应模型回归结果的最后 一行的 F 统计量看出， F 越大越好，可以得出固定效应模型优于混合 OLS 模型的结论。 随机效应模型要检验随机效应是否显著，要输入命令： xttest0 如果检验得到的 p 值为 0，则随机效应显著，随机效应模型也优于固定效应模型。至 于固定效应模型与随机效应模型选哪一个，则要通过 hausman 检验来得出。 Hausman 检验 Hausman 检验的原假设是固定效应模型优于随机效应模型，如果 hausman 检验的 p 值为 0，则接受原假设，使用固定效应模型。相关命令： qui xtreg DA factor1 factor2 ,fe est store fe qui xtreg DA factor1 factor2 ,re est store re hausman fe 检验序列相关 固定效应模型使用 xtserial 命令，随机效应模型使用 xttest1 命令 : qui xtreg DA factor1 factor2 ,re xttestl 对于随机效应模型 xtserial DA factor1 factor2 如果没有 xtserial 命令即输入上面的命令后弹出 no command ，则输入 findit xtse