【正文】 用普通最小二乘估計(jì)法對(duì)混合數(shù)據(jù)進(jìn)行估計(jì)（采用固定效應(yīng)模型）。用估計(jì)的殘差計(jì)算隨機(jī)誤差分量的方差。第二步用這些估計(jì)的方差計(jì)算參數(shù)的廣義最小二乘估計(jì)值。如果隨機(jī)誤差分量服從的是正態(tài)分布，模型的參數(shù)還可以用極大似然法估計(jì)。仍以例1為例給出隨機(jī)效應(yīng)模型估計(jì)結(jié)果如下：圖15注意：隨機(jī)效應(yīng)模型EViwes輸出結(jié)果中含有公共截距項(xiàng)。圖16 以例1為例，用個(gè)體隨機(jī)效應(yīng)模型和混合模型計(jì)算的統(tǒng)計(jì)量的值是LM ===180。()2 = 5209 (1) = 因?yàn)镕= 5209 (1) = ，所以拒絕原假設(shè)，結(jié)論是應(yīng)該建立個(gè)體隨機(jī)效應(yīng)模型。假定截面截距和時(shí)間截距都是隨機(jī)的。分別服從均值為au和av，方差為su2和sv2的正態(tài)分布。隨機(jī)誤差項(xiàng)將由3部分組成，并有方差。Var(eit) = Var(ui) + Var(vt) + Var(wit) =su2 +sv2+sw2當(dāng)su2和sv 2都等于零，隨機(jī)效應(yīng)模型退化為固定效應(yīng)模型。隨機(jī)效應(yīng)模型和固定效應(yīng)模型哪一個(gè)更好些？實(shí)際是各有優(yōu)缺點(diǎn)。隨機(jī)效應(yīng)模型的好處是節(jié)省自由度。對(duì)于從時(shí)間序列和截面兩方面上看都存在較大變化的數(shù)據(jù)，隨機(jī)效應(yīng)模型能明確地描述出誤差來(lái)源的特征。固定效應(yīng)模型的好處是很容易分析任意截面數(shù)據(jù)所對(duì)應(yīng)的因變量與全部截面數(shù)據(jù)對(duì)應(yīng)的因變量均值的差異程度。此外，固定效應(yīng)模型不要求誤差項(xiàng)中的個(gè)體效應(yīng)分量與模型中的解釋變量不相關(guān)。當(dāng)然，這一假定不成立時(shí)，可能會(huì)引起模型參數(shù)估計(jì)的不一致性。（5）回歸系數(shù)不同的面板數(shù)據(jù)模型當(dāng)認(rèn)為對(duì)于不同個(gè)體，解釋變量的回歸系數(shù)存在顯著性差異時(shí)，還可以建立回歸系數(shù)不同的面板數(shù)據(jù)模型。EViwes估計(jì)方法：在Pooled Estimation（混合估計(jì)）窗口中的Dependent Variable（相依變量）選擇窗填入CP?；在Common coefficients（系數(shù)相同）選擇窗保持空白（如果需要估計(jì)時(shí)刻固定效應(yīng)也可輸入虛擬變量D1997, D1998, D1999, D2000, D2001, D2002）；在Cross section specific coefficients（截面系數(shù)不同）選擇窗填入IP?；在Intercept（截距項(xiàng)）選擇窗中選Fixed effects（也可以做其他選擇）；在Weighting（權(quán)數(shù)）選擇窗點(diǎn)擊No weighting（也可以做其他選擇）。點(diǎn)擊Pooled Estimation（混合估計(jì)）窗口中的OK鍵。圖17 = 安徽+ x1t = + x1t () = 北京+x2t = + x2t ()… = 浙江+x15t = + x15t () R2 = , SSEr = 1409247用EViwes建立面板數(shù)據(jù)估計(jì)模型步驟。利用1996~2002年15個(gè)省級(jí)地區(qū)城鎮(zhèn)居民家庭年人均消費(fèi)性支出和年人均收入數(shù)據(jù)（不變價(jià)格數(shù)據(jù)）介紹面板數(shù)據(jù)模型估計(jì)步驟。（1）建立混合數(shù)據(jù)庫(kù)（Pool）對(duì)象。首先建立工作文件。在打開(kāi)工作文件窗口的基礎(chǔ)上，點(diǎn)擊EViwes主功能菜單上的Objects鍵，選New Object功能（如圖18），從而打開(kāi)New Object（新對(duì)象）選擇窗。在Type of Object選擇區(qū)選擇Pool（合并數(shù)據(jù)庫(kù)），并在Name of Object選擇區(qū)為混合數(shù)據(jù)庫(kù)起名Pool01（初始顯示為Untitled）。如圖19，點(diǎn)擊OK鍵，從而打開(kāi)混合數(shù)據(jù)庫(kù)（Pool）窗口。在窗口中輸入15個(gè)地區(qū)的標(biāo)識(shí)AH（安徽）、BJ（北京）、…、ZJ（浙江），如圖20。 圖18 圖19圖20（2）定義序列名并輸入數(shù)據(jù)。在新建的混合數(shù)據(jù)庫(kù)（Pool）窗口的工具欄中點(diǎn)擊Sheet鍵（第2種路徑是，點(diǎn)擊View鍵，選Spreadsheet (stacked data)功能），從而打開(kāi)Series List（列寫(xiě)序列名）窗口，定義時(shí)間序列變量CP?和IP?（？符號(hào)表示與CP和IP相連的15個(gè)地區(qū)標(biāo)識(shí)名）如圖21。點(diǎn)擊OK鍵，從而打開(kāi)混合數(shù)據(jù)庫(kù)（Pool）窗口，（點(diǎn)擊Edit+鍵，使EViwes處于可編輯狀態(tài)）輸入數(shù)據(jù)。輸入完成后的情形見(jiàn)圖22。圖22所示為以截面為序的陣列式排列（stacked data）。點(diǎn)擊Order+鍵，還可以變換為以時(shí)間為序的陣列式排列。工作文件也可以以合并數(shù)據(jù)（Pool data）和非合并數(shù)據(jù)的形式用復(fù)制和粘貼的方法建立。 圖21 圖22 （3）估計(jì)模型圖23點(diǎn)擊Estimation鍵，隨后彈出Pooled Estimation（混合估計(jì)）對(duì)話窗（見(jiàn)圖23）。先對(duì)Pooled Estimation（混合估計(jì)）對(duì)話窗中各選項(xiàng)功能給以解釋。Dependent Variable（相依變量）選擇窗：用于填寫(xiě)被解釋變量。Sample（樣本范圍）選擇窗：用于填寫(xiě)樣本區(qū)間。Balanced Sample（平衡樣本）選擇塊：點(diǎn)擊挑勾后表示用平衡數(shù)據(jù)估計(jì)。Common coefficients（系數(shù)相同）選擇窗：用于填寫(xiě)對(duì)于不同橫截面斜率（回歸系數(shù)）相同的解釋變量和虛擬變量。Cross section specific coefficients（截面系數(shù)不同）選擇窗：用于填寫(xiě)對(duì)于不同橫截面斜率（回歸系數(shù)）不同的解釋變量。Intercept（截距項(xiàng)）選擇窗：從中可以選None（不要截距項(xiàng)）、Common（同一截距項(xiàng)）、Fixed effects（個(gè)體不同截距項(xiàng)不同）、Random effects（隨機(jī)效應(yīng)截距項(xiàng)）。Weighting（權(quán)數(shù)）選擇窗：從中可以選No weighting（等權(quán)估計(jì)）、Cross section weights（按截面取權(quán)數(shù)）、SUR（似不相關(guān)回歸）、iterate to convergence（迭代至收斂）?！暗葯?quán)估計(jì)”的方法是所有的觀測(cè)值都給以相等的權(quán)數(shù)；“按截面取權(quán)數(shù)”的方法是以橫截面模型殘差的方差為權(quán)數(shù)，屬于廣義最小二乘法估計(jì)?！八撇幌嚓P(guān)回歸”的方法是利用橫截面模型殘差的協(xié)方差進(jìn)行廣義最小二乘法估計(jì)，該法將自動(dòng)修正橫截面中出現(xiàn)的異方差和短期自相關(guān)；“迭代至收斂”方法當(dāng)選擇廣義最小二乘法估計(jì)時(shí)，點(diǎn)擊此鍵將保證參數(shù)估計(jì)一直到收斂為止。在Options對(duì)話框中可以給出收斂準(zhǔn)則和最大迭代次數(shù)。用EViwes可以估計(jì)固定效應(yīng)模型（包括個(gè)體固定效應(yīng)模型、時(shí)刻固定效應(yīng)模型和時(shí)刻個(gè)體固定效應(yīng)模型3種）、隨機(jī)效應(yīng)模型、帶有AR(1)參數(shù)的模型、截面不同回歸系數(shù)也不同的面板數(shù)據(jù)模型。用EViwes可以選擇普通最小二乘法、加權(quán)最小二乘法（以截面模型的方差為權(quán)）、似不相關(guān)回歸法估計(jì)模型參數(shù)?？梢栽贑ommon coefficients選擇窗和Cross section specific coefficients選擇窗中填入AR(1)項(xiàng)。如果把AR(1)項(xiàng)填在Common coefficients選擇窗中相當(dāng)于假設(shè)模型有相同的自回歸誤差項(xiàng)，如果把AR(1)項(xiàng)填在Cross section specific coefficients選擇窗中相當(dāng)于假設(shè)模型有不同的自回歸誤差項(xiàng)。注意：如果把解釋變量填入Cross section specific coefficients選擇窗中，將會(huì)得到很多的回歸參數(shù)。估計(jì)過(guò)程中的缺省方法是等權(quán)（No weighting）估計(jì)。還可以選擇Cross section weights（按截面取權(quán)數(shù)）和SUR（似不相關(guān)回歸）。解釋3種方法如下：23