【正文】 用普通最小二乘估計法對混合數(shù)據(jù)進行估計（采用固定效應模型）。用估計的殘差計算隨機誤差分量的方差。第二步用這些估計的方差計算參數(shù)的廣義最小二乘估計值。如果隨機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。仍以例1為例給出隨機效應模型估計結果如下：圖15注意：隨機效應模型EViwes輸出結果中含有公共截距項。圖16 以例1為例，用個體隨機效應模型和混合模型計算的統(tǒng)計量的值是LM ===180。()2 = 5209 (1) = 因為F= 5209 (1) = ，所以拒絕原假設，結論是應該建立個體隨機效應模型。假定截面截距和時間截距都是隨機的。分別服從均值為au和av，方差為su2和sv2的正態(tài)分布。隨機誤差項將由3部分組成，并有方差。Var(eit) = Var(ui) + Var(vt) + Var(wit) =su2 +sv2+sw2當su2和sv 2都等于零，隨機效應模型退化為固定效應模型。隨機效應模型和固定效應模型哪一個更好些？實際是各有優(yōu)缺點。隨機效應模型的好處是節(jié)省自由度。對于從時間序列和截面兩方面上看都存在較大變化的數(shù)據(jù)，隨機效應模型能明確地描述出誤差來源的特征。固定效應模型的好處是很容易分析任意截面數(shù)據(jù)所對應的因變量與全部截面數(shù)據(jù)對應的因變量均值的差異程度。此外，固定效應模型不要求誤差項中的個體效應分量與模型中的解釋變量不相關。當然，這一假定不成立時，可能會引起模型參數(shù)估計的不一致性。（5）回歸系數(shù)不同的面板數(shù)據(jù)模型當認為對于不同個體，解釋變量的回歸系數(shù)存在顯著性差異時，還可以建立回歸系數(shù)不同的面板數(shù)據(jù)模型。EViwes估計方法：在Pooled Estimation（混合估計）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（如果需要估計時刻固定效應也可輸入虛擬變量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）選擇窗中選Fixed effects（也可以做其他選擇）；在Weighting（權數(shù)）選擇窗點擊No weighting（也可以做其他選擇）。點擊Pooled Estimation（混合估計）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)估計模型步驟。利用1996~2002年15個省級地區(qū)城鎮(zhèn)居民家庭年人均消費性支出和年人均收入數(shù)據(jù)（不變價格數(shù)據(jù)）介紹面板數(shù)據(jù)模型估計步驟。（1）建立混合數(shù)據(jù)庫（Pool）對象。首先建立工作文件。在打開工作文件窗口的基礎上，點擊EViwes主功能菜單上的Objects鍵，選New Object功能（如圖18），從而打開New Object（新對象）選擇窗。在Type of Object選擇區(qū)選擇Pool（合并數(shù)據(jù)庫），并在Name of Object選擇區(qū)為混合數(shù)據(jù)庫起名Pool01（初始顯示為Untitled）。如圖19，點擊OK鍵，從而打開混合數(shù)據(jù)庫（Pool）窗口。在窗口中輸入15個地區(qū)的標識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（Pool）窗口的工具欄中點擊Sheet鍵（第2種路徑是，點擊View鍵，選Spreadsheet (stacked data)功能），從而打開Series List（列寫序列名）窗口，定義時間序列變量CP?和IP?（？符號表示與CP和IP相連的15個地區(qū)標識名）如圖21。點擊OK鍵，從而打開混合數(shù)據(jù)庫（Pool）窗口，（點擊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圖22。圖22所示為以截面為序的陣列式排列（stacked data）。點擊Order+鍵，還可以變換為以時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)的形式用復制和粘貼的方法建立。 圖21 圖22 （3）估計模型圖23點擊Estimation鍵，隨后彈出Pooled Estimation（混合估計）對話窗（見圖23）。先對Pooled Estimation（混合估計）對話窗中各選項功能給以解釋。Dependent Variable（相依變量）選擇窗：用于填寫被解釋變量。Sample（樣本范圍）選擇窗：用于填寫樣本區(qū)間。Balanced Sample（平衡樣本）選擇塊：點擊挑勾后表示用平衡數(shù)據(jù)估計。Common coefficients（系數(shù)相同）選擇窗：用于填寫對于不同橫截面斜率（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：用于填寫對于不同橫截面斜率（回歸系數(shù)）不同的解釋變量。Intercept（截距項）選擇窗：從中可以選None（不要截距項）、Common（同一截距項）、Fixed effects（個體不同截距項不同）、Random effects（隨機效應截距項）。Weighting（權數(shù)）選擇窗：從中可以選No weighting（等權估計）、Cross section weights（按截面取權數(shù)）、SUR（似不相關回歸）、iterate to convergence（迭代至收斂）?！暗葯喙烙嫛钡姆椒ㄊ撬械挠^測值都給以相等的權數(shù)；“按截面取權數(shù)”的方法是以橫截面模型殘差的方差為權數(shù)，屬于廣義最小二乘法估計。“似不相關回歸”的方法是利用橫截面模型殘差的協(xié)方差進行廣義最小二乘法估計，該法將自動修正橫截面中出現(xiàn)的異方差和短期自相關；“迭代至收斂”方法當選擇廣義最小二乘法估計時，點擊此鍵將保證參數(shù)估計一直到收斂為止。在Options對話框中可以給出收斂準則和最大迭代次數(shù)。用EViwes可以估計固定效應模型（包括個體固定效應模型、時刻固定效應模型和時刻個體固定效應模型3種）、隨機效應模型、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、加權最小二乘法（以截面模型的方差為權）、似不相關回歸法估計模型參數(shù)?？梢栽贑ommon coefficients選擇窗和Cross section specific coefficients選擇窗中填入AR(1)項。如果把AR(1)項填在Common coefficients選擇窗中相當于假設模型有相同的自回歸誤差項，如果把AR(1)項填在Cross section specific coefficients選擇窗中相當于假設模型有不同的自回歸誤差項。注意：如果把解釋變量填入Cross section specific coefficients選擇窗中，將會得到很多的回歸參數(shù)。估計過程中的缺省方法是等權（No weighting）估計。還可以選擇Cross section weights（按截面取權數(shù)）和SUR（似不相關回歸）。解釋3種方法如下：23