文档详情

面板数据模型.ppt

发布:2025-05-08约4.76千字共80页下载文档
文本预览下载声明

第九章面板数据模型;;第一节面板数据与面板数据模型;如果混合数据包含的观测值来自从一个大总体中随机抽样的主体不同时期的数据,那么此类混合数据称为非面板混合数据。

例如,我们每年对北京市固定的一万户家庭消费的观测记录所得到的数据集就是面板数据;而我们每年对北京市居民家庭随机抽样一万户家庭消费的观测记录所得到的数据集就是非面板混合数据。在实践中,面板数据通常比非面板混合数据更有用,这是因为面板数据中的地区、公司、人员等横截面个体在各时期中一直保持不变,这使得我们更易于对这类个体随着时间的推移所发生的变动进行比较和分析。;相应地,我们将基于面板数据的回归模型称为面板数据模型〔paneldatamodel〕。面板数据模型可以分为单方程面板数据模型和联立方程面板数据模型;也可以分为线性面板数据模型和非线性面板数据模型〔如离散被解释变量面板数据模型、受限被解释变量面板数据模型〕。;相应地,我们将基于面板数据的回归模型称为面板数据模型〔paneldatamodel〕。面板数据模型可以分为单方程面板数据模型和联立方程面板数据模型;也可以分为线性面板数据模型和非线性面板数据模型〔如离散被解释变量面板数据模型、受限被解释变量面板数据模型〕。

二、面板数据模型的优点

1.利用面板数据进行的经济分析更全面

2.利用面板数据能够改进估计的有效性;三、分析面板数据的一般模型框架

分析面板数据的根本框架是形如下式的回归模型:;中有k个解释变量,不包括常数项。异质性或个体影响由表示,其中包含一个常数项和一组表达横截面个体影响但不随时间变化的变量,例如可观测的种族、性别等,或无法观测的家庭特征、偏好等,所有这些变量都只表达横截面个体特征,而不随时间变化。如果所有横截面个体的都可以观测到,那么整个模型可被视为一个普通线性模型,并可用最小二乘法来拟合。但在大多数应用中,不可观测,处理起来就要复杂得多。;分析的主要目标是偏效应〔partialeffects〕的一致和有效估计:;模型关注的重要方面是异质性,这方面特别方便的一个假设是所谓的均值独立〔meanindependence〕:;四、模型结构

我们将研究分析面板数据的各类模型,它们大致可分为如下几种类型:

1.混合回归〔pooledregression〕

假设中仅包含常数项,那么模型形式如下:;;2.固定影响〔fixedeffects〕;固定影响模型可分为三类,即个体固定影响模型〔Entityfixedeffectsmodel〕、时点固定影响模型〔Timefixedeffectsmodel〕和个体时点固定影响模型〔Entityandtimefixedeffectsmodel〕。在本章中,我们只介绍个体固定影响模型。;这是一个带复合扰动项的线性回归模型。可用OLS法估计,得到一致但非有效的估计量。〔9.4〕称为随机影响模型。这里是一个反映横截面个体影响的随机元素。

固定影响模型和随机影响模型的关键区别是未观测到的个体影响是否包含与模型中解释变量相关的元素,而不在于这些影响是否随机。;4.随机系数〔randomcoefficients〕;第二节固定影响模型;由于上式中的条件均值在所有时期中都相同,我们可将模型写成;这就是固定影响模型。从模型的设定可知,固定影响模型假设横截面个体之间的差异为截距不同,而斜率系数相同,即允许不同的横截面个体的截距是不同的,但每一个体的截距在各个不同时期那么保持不变。换句话说,固定影响模型假定不同横截面个体的差异可用不同的常数项来描述,在此模型中,被作为要估计的未知参数。;二、固定影响模型的参数估计;1.LSDV估计法

设和为第i个横截面单元的T个观测值,是一个元素全为1的列向量,为相应的扰动项列向量,那么;或;实际应用中,n通常很大,数以千计,模型很可能超出任何计算机的存储容量。可考虑使用分块回归技术以减少计算量。有关分块回归技术的详细讨论参见Greene〔2008〕。

另一方面,运用LSDV估计固定影响模型,需要参加n个虚拟变量,当模型中的虚拟变量的个数n很大时,回归中会损失大量的自由度。解决这个问题的思路是对模型进行变换,消去常数项,再用变换后的模型回归。;〔9.10〕;那么模型转换为;再令;参数和的估计值由关于和最小化得到。我们

显示全部
相似文档