【正文】 也可以采用打開誤差修整模型中非均衡誤差項括號的方法直接用OLS法估計模型。但仍需事先對變量間的協(xié)整關系進行檢驗。 如對雙變量誤差修正模型 5 M) N3 f) N. B6 t可打開非均衡誤差項的括號直接估計下式：2 q7 o。 A5 D! K$ i3 b39。 s2 U9 c% M 這時短期彈性與長期彈性可一并獲得。需注意的是，用不同方法建立的誤差修正模型結果也往往不一樣。 這是我在查閱各種資料后得出的關于面板數(shù)據(jù)的總結，最近在做面板的實證論文，所以需要這個，歡迎大家繼續(xù)擴充，只要是關于面板的都行，關于具體如何在Eviews6中實現(xiàn)的更好，不甚感激。*橫截面的異方差與序列的自相關性是運用面板數(shù)據(jù)模型時可能遇到的最為常見的問題,此時運用OLS可能會產生結果失真,因此為了消除影響,對我國東、中、西部地區(qū)的分析將采用不相關回歸方法( SeeminglyUnrelated Regression, SUR)來估計方程。而對于全國范圍內的估計來說,由于橫截面?zhèn)€數(shù)大于時序個數(shù),所以采用截面加權估計法(Cross SectionWeights, CSW) 。*一般而言，面板數(shù)據(jù)可用固定效應(fixed effect) 和隨機效應(random effect) 估計方法,即如果選擇固定效應模型,則利用虛擬變量最小二乘法(LSDV) 進行估計。如果選擇隨機效應模型,則利用可行的廣義最小二乘法(FGLS) 進行估計(Greene ,2000) 。它可以極大限度地利用面板數(shù)據(jù)的優(yōu)點,盡量減少估計誤差。至于究竟是采用固定效應還是隨機效應,則要看Hausman 檢驗的結果。*單位根檢驗：在進行時間序列的分析時,研究者為了避免偽回歸問題,會通過單位根檢驗對數(shù)據(jù)平穩(wěn)性進行判斷。但對于面板數(shù)據(jù)則較少關注。隨著面板數(shù)據(jù)在經濟領域應用,對面板數(shù)據(jù)單位根的檢驗也逐漸引起重視。面板數(shù)據(jù)單位根的檢驗主要有Levin、Lin 和Chu 方法(LLC 檢驗) (1992 ,1993 ,2002) 、Im、Pesaran 和Shin 方法( IPS 檢驗) (1995 ,1997) 、Maddala 和Wu 方法(MW檢驗) (1999) 等。*協(xié)整檢驗：協(xié)整檢驗是考察變量間長期均衡關系的方法。在進行了各變量的單位根檢驗后,如果各變量間都是同階單整，那么就可以進行協(xié)整檢驗了。面板協(xié)整檢驗理論目前還不成熟,仍然在不斷的發(fā)展過程中,目前的方法主要有:(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協(xié)整的方法,這種方法零假設是沒有協(xié)整關系,并且利用靜態(tài)面板回歸的殘差來構建統(tǒng)計量。(2)Pedron(i1999)在零假設是在動態(tài)多元面板回歸中沒有協(xié)整關系的條件下給出了七種基于殘差的面板協(xié)整檢驗方法。和Kao的方法不同的是,Pedroni的檢驗方法允許異質面板的存在。(3)Larsson et a(l2001)發(fā)展了基于Johansen(1995)向量自回歸的似然檢驗的面板協(xié)整檢驗方法。這種檢驗的方法是檢驗變量存在共同的協(xié)整的秩。*一般的順序是：先檢驗變量的平穩(wěn)性,當變量均為同階單整變量時,再采用協(xié)整檢驗以判別變量間是否存在長期均衡關系。如果變量間存在長期均衡的關系,我們可以通過誤差修正模型(ECM) 來檢驗變量間的長期因果關系。如變量間不存在協(xié)整關系,我們將對變量進行差分,然后通過向量自回歸模型(VAR),檢驗變量間的短期因果關系。關于平穩(wěn)性檢驗和協(xié)整檢驗、因果檢驗流程圖 ↗ 同階單整→協(xié)整檢驗→協(xié)整？（YES：EG兩步法 for 長期因果關系；NO：誤差修正模型ECM/VEC for 短期因果關系）平穩(wěn)？（單位根檢驗） ↘非同階單整→差分使平穩(wěn)→VAR→Granger因果檢驗 for 短期因果關系關于面板數(shù)據(jù)模型選擇回歸與檢驗流程圖混合 固定（main：個體固定） 隨機（main：個體隨機） ▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏ ▏先回歸估計 ▏先回歸估計 ↓Crosssection:fixed ↓Crosssection:random F檢驗 Hausman檢驗 ▏ ▏ H0:混合 H1:個體固定 HO:個體隨機 H1:個體固定Output： ▏ ▏If: If:F=(Crosssection F Stat.)Fa(df1,df2) H=(Crosssection Random Stat.)χ2a(df1)or Prob.a or Prob.aThen:reject H0,accept H1 Then:reject H0,accept H1是先做F檢驗還是先做Hausman檢驗啊；做F檢驗的時候，F(xiàn)ixed and Random、m和Crosssection specific選項應該怎么設置??；另外我看高鐵梅上面對面板的分類有些不同，能說說有啥區(qū)別么？以Eviews6為例，來說明一下面板模型的選擇問題：F檢驗是用來在混合模型和固定效應模型中做出選擇，而Hausman檢驗是用來在固定效應模型和隨機效應模型中做出選擇，所以不存在孰先孰后的問題；由于我們通常估計的個體效應而不是時刻效應，所以我們進行回歸和檢驗的時候，Period選擇None?；貧w的時候，具體操作設置如下，Depedent Variable里填因變量，Common Coefficients里填自變量（包括截距項c），CrossSection視回歸需要選擇None、Fixed、Random，Period選擇None，可以依次實現(xiàn)混合回歸、個體固定回歸、個體隨機回歸。然后在個體固定回歸之后，進行F檢驗進行模型選擇決策1；在個體隨機回歸之后，進行Hausman檢驗進行模型選擇決策2，從而最終得出最佳回歸。用計量模型分析問題的步驟(20110421 21:09:11) 轉載標簽： 最小二乘法估計量變量隨機誤差經濟計量分類： 產經知識 一、建立一個理論假說。 二、收集數(shù)據(jù)。 數(shù)據(jù)的類型有：時間序列數(shù)據(jù)。截面數(shù)據(jù)：一個或多個變量在某一時點上的數(shù)據(jù)集合。面板數(shù)據(jù)：同一個橫截面單位在跨期調查數(shù)據(jù)。 三、設定數(shù)學模型（變量之間是確定性的數(shù)量關系） 四、設立經濟計量模型（變量之間的關系是不確定的或統(tǒng)計的）?？傮w回歸函數(shù)：：Yi=B1+B2Xi+ui，其中ui是隨機誤差項。樣本回歸函數(shù)：Yi=b1+b2Xi+ei ，其中b1是B1的估計量，b2是B2的估計量，ei（殘差）是ui的估計量。 五、估計經濟計量模型參數(shù)。 普通最小二乘法（OLS）原理：選擇參數(shù)b1，b2，使得殘差平方和最小。 六、檢驗模型的適用性。 古典線性回歸模型假設CLRM（只有假定了隨機誤差項的生成過程，才能判定SRF對PRF擬合的好與壞）：（1）回歸模型是參數(shù)線性的。（2）解釋變量與擾動誤差項u不相關。（3）給定xi，擾動項的均值為零。（4）ui的方差是常數(shù)，即同方差。（5）兩個誤差項之間不自相關，即無自相關。（6）模型設定正確。（7）ui服從正態(tài)分布。以上這些假設保證了估計量是最優(yōu)線性無偏估計量：（1）一致性。隨樣本規(guī)模趨于無窮，估計量將收斂于他們的真實值。（2）無偏性。平均值等于真實值。（3）有效性。沒有其他估計量方差比他小。 假設檢驗（判定回歸系數(shù)是否是統(tǒng)計顯著的，即是否顯著不為零）。有兩種方法：顯著性檢驗法和置信區(qū)間法。假設檢驗中容易犯兩種錯誤：第一類錯誤（拒絕一個真實的H0，發(fā)生的概率是a）和第二類錯誤（實際是錯誤的，但我們并沒有拒絕）。這兩類錯誤是此消彼長的。于是我們有了確切的顯著性水平，即P值。他給出了在拒絕和不拒絕零假設之間無差別時的邊際顯著性水平。P值是軟件自動提供的，避免了對任意一個顯著水平的識別要求。P值還被用于說明零假設的合理性（P值越小，零假設越缺乏合理性）。 擬合優(yōu)度。R^2=ESS/TSS。但是存在問題：如果有更多的回歸自變量加入回歸方程中去，R^2的值永遠不會降低。于是引出了調整了的R^2。 ：R^2很高，但單個系數(shù)確有較大的標準差。診斷：R^2較高但t值統(tǒng)計量顯著的不多；解釋變量兩兩高度相關。補救：刪除變量；獲取額外的數(shù)據(jù)或新的樣本；重新考慮模型；利用先驗信息；變量變換。 異方差檢驗（截面數(shù)據(jù)）：后果：無偏估計量中不再有最小方差。診斷：殘差圖（ei與x）；懷特檢驗。補救：加權處理（誤差方差與誰成比例）。 自相關檢驗（時間序列）：診斷：圖形法（ei與t）；dw檢驗。補救：廣義最小二乘法（ut=put1+vt）。七、 利用模型進行預測