【正文】 _ c o n s 7 . 4 3 7 8 8 . 2 4 4 6 8 7 8 3 0 . 4 0 0 . 0 0 0 6 . 9 5 8 3 0 1 7 . 9 1 7 4 6 t e c h n o . 1 7 9 0 3 2 1 . 0 3 5 4 1 4 3 5 . 0 6 0 . 0 0 0 . 1 0 9 6 2 1 2 . 2 4 8 4 4 2 9 a d m i n . 0 7 9 3 5 7 . 0 4 3 6 5 2 5 1 . 8 2 0 . 0 6 9 . 0 0 6 2 0 0 4 . 1 6 4 9 1 4 5 h e a l t h . 5 6 8 6 4 2 8 . 0 6 8 6 4 7 4 8 . 2 8 0 . 0 0 0 . 4 3 4 0 9 6 4 . 7 0 3 1 8 9 1 s c i . 0 5 2 0 2 8 2 . 0 5 5 2 6 5 9 0 . 9 4 0 . 3 4 6 . 1 6 0 3 4 7 4 . 0 5 6 2 9 1 c u l t u r e . 0 3 9 5 1 9 4 . 0 3 7 3 4 9 3 1 . 0 6 0 . 2 9 0 . 0 3 3 6 8 3 9 . 1 1 2 7 2 2 7 i n v e s t . 0 0 3 0 8 6 8 . 0 2 7 0 0 2 9 0 . 1 1 0 . 9 0 9 . 0 4 9 8 3 8 . 0 5 6 0 1 1 6 g d p C o e f . S t d . E r r . z P | z | [ 9 5 % C o n f . I n t e r v a l ] c o r r ( u _ i , X ) = 0 ( a s s u m e d ) P r o b c h i 2 = 0 . 0 0 0 0R a n d o m e f f e c t s u _ i ~ G a u s s i a n W a l d c h i 2 ( 6 ) = 2 3 4 2 . 8 0 o v e r a l l = 0 . 8 6 4 1 m a x = 9 b e t w e e n = 0 . 8 9 4 3 a v g = 9 . 0R s q : w i t h i n = 0 . 9 1 1 5 O b s p e r g r o u p : m i n = 9G r o u p v a r i a b l e : s h e n g N u m b e r o f g r o u p s = 3 1R a n d o m e f f e c t s G L S r e g r e s s i o n N u m b e r o f o b s = 2 7 9隨機(jī)效應(yīng)模型 Stata對(duì)面板數(shù)據(jù)模型的估計(jì) ? 首先對(duì)面板數(shù)據(jù)進(jìn)行聲明： ? 前面是截面單元，后面是時(shí)間標(biāo)識(shí)： ? tsset pany year ? tsset industry year ? 產(chǎn)生新的變量： gen newvar=human*lnrd ? 產(chǎn)生滯后變量 Gen fiscal(2)= ? 產(chǎn)生差分變量 Gen fiscal(D)= ? 描述性統(tǒng)計(jì)： ? xtdes ：對(duì) Panel Data截面?zhèn)€數(shù)、時(shí)間跨度的整體描述 ? Xtsum：分組內(nèi)、組間和樣本整體計(jì)算各個(gè)變量的基本統(tǒng)計(jì)量 ? xttab 采用列表的方式顯示某個(gè)變量的分布 ? Stata中用于估計(jì)面板模型的主要命令： xtreg ? xtreg depvar [varlist] [if exp] , model_type [level() ] ? Model type 模型 ? be Betweeneffects estimator ? fe Fixedeffects estimator ? re GLS Randomeffects estimator ? pa GEE populationaveraged estimator ? mle Maximumlikelihood Randomeffects ? estimator ? 主要估計(jì)方法： ? xtreg： Fixed, between and randomeffects, and populationaveraged linear models ? xtregar： Fixed and randomeffects linear models with an AR(1) disturbance ? xtpcse ： OLS or PraisWinsten models with panelcorrected standard errors ? xtrchh ： Hi。飲酒司機(jī)出交通事故數(shù)是不飲酒司機(jī)的 13 倍。這個(gè)比率在飲酒高峰期會(huì)上升。 案例 :美國(guó)公路交通死亡人數(shù)與啤酒稅的關(guān)系研究 以數(shù)據(jù)集 5 ．面板數(shù)據(jù)建模案例分析 案例 2 （ f i l e : 5p an e l 01a ） 美國(guó)公路交通事故死亡人數(shù)與啤酒稅的關(guān)系研究 見(jiàn) St oc k J H an d M W W a t s on , I n t r od u c t i on t o E c on om e t r i c s , A d d i s on W e s l e y , 200 3 第 8 章。當(dāng) H大于一定顯著水平的臨界值時(shí)，我們就認(rèn)為模型中存在固定效應(yīng)，從而選用固定效應(yīng)模型，否則選用隨機(jī)效應(yīng)模型 ? 如果 hausman檢驗(yàn)值為負(fù)，說(shuō)明的模型設(shè)定有問(wèn)題，導(dǎo)致Hausman 檢驗(yàn)的基本假設(shè)得不到滿足，遺漏變量的問(wèn)題，或者某些變量是非平穩(wěn)等等。 4．面板數(shù)據(jù)模型檢驗(yàn)與設(shè)定方法 Hausman檢驗(yàn) 原假設(shè)與備擇假設(shè)是 H0: 個(gè)體效應(yīng)與回歸變量無(wú)關(guān)（個(gè)體隨機(jī)效應(yīng)回歸模型） H1: 個(gè)體效應(yīng)與回歸變量相關(guān)（個(gè)體固定效應(yīng)回歸模型） 離差變換 O L S 估計(jì) 可行 G L S 估計(jì) 估計(jì)量之差 個(gè)體隨機(jī)效應(yīng) 模型 估計(jì)量具有一致性 估計(jì)量具有一致性 小 個(gè)體固定效應(yīng) 模型 估計(jì)量具有一致性 估計(jì)量不具有一致性 大 ? Hausman檢驗(yàn)究竟選擇固定效應(yīng)模型還是隨機(jī)效應(yīng)模型： ? 第一步：估計(jì)固定效應(yīng)模型，存儲(chǔ)結(jié)果 ? quietly xtreg fatal beertax spircons unrate perincK,fe ? est store fix ? 第二步：估計(jì)隨機(jī)效應(yīng)模型，存儲(chǔ)結(jié)果 ? quietly xtreg fatal beertax spircons unrate perincK,re ? est store ran ? 第三步：進(jìn)行 hausman檢驗(yàn) ? hausman setconsist seteff (setconsist為固定效應(yīng)模型估計(jì)名稱(chēng)， seteff為隨機(jī)效應(yīng)模型估計(jì)名稱(chēng) ) fix ran ? Hausman檢驗(yàn)量為： ? H=(bB)180。 反之 ， OLS是一致的 ， 但 GLS則不是 ? 因此 ， 在原假設(shè)下 ， 二者的參數(shù)估計(jì)應(yīng)該不會(huì)有系統(tǒng)的差異 ， 我們可以基于二者參數(shù)估計(jì)的差異構(gòu)造統(tǒng)計(jì)檢驗(yàn)量 。 面板模型選擇：固定效應(yīng)還是隨機(jī)效應(yīng) ? 對(duì)“個(gè)體效應(yīng)”的處理主要有兩種方式：一種是視其為不隨時(shí)間改變的固定性因素， 相應(yīng)的模型稱(chēng)為“固定效應(yīng)”模型；另一種是視其為隨機(jī)因素，相應(yīng)的模型稱(chēng)為“隨機(jī)效應(yīng)”模型 ? 固定效應(yīng)模型中的個(gè)體差異反映在每個(gè)個(gè)體都有一個(gè)特定的截距項(xiàng)上； ? 隨機(jī)效應(yīng)模型則假設(shè)所有的個(gè)體具有相同的截距項(xiàng)，個(gè)體的差異主要反應(yīng)在隨機(jī)干擾項(xiàng)的設(shè)定上 ? FE（ Fixed Effects) Model ? RE (Random Effects) Model ? 其中， 是截距中的隨機(jī)變量部分，代表個(gè)體的隨機(jī)影響 it i it ity x u??? ? ?（ Replace with dummy variables） i t i t i i ty x u? ? ?? ? ? ?i?固定效應(yīng)模型 ? 例如，在研究財(cái)政支出與經(jīng)濟(jì)增長(zhǎng)的關(guān)系，運(yùn)用全國(guó)的時(shí)間序列數(shù)據(jù)來(lái)檢驗(yàn)財(cái)政支出與經(jīng)濟(jì)增長(zhǎng)的關(guān)系可能存在設(shè)定誤差并且受統(tǒng)計(jì)資料的制約，僅用時(shí)間序列資料不能夠滿足大樣本的要求 ? 同時(shí)，由于我國(guó)不同地區(qū)的體制變革和財(cái)政政策的不斷調(diào)整，造成各個(gè)地區(qū)財(cái)政支出結(jié)構(gòu)隨時(shí)間而不斷變化 ? 面板數(shù)據(jù)（ Panel Data ）從某種程度上克服了這一困難。采用 G M M 方法還可以得到更有效的估計(jì)量。為了得到正確的統(tǒng)計(jì)推斷，需要克服這兩個(gè)因素。 面板數(shù)據(jù)模型估計(jì)量的穩(wěn)健統(tǒng)計(jì)推斷。 當(dāng)??= 0 時(shí)，（ 29 ）式等同于混合 O L S 估計(jì)；當(dāng)??=1 時(shí)，（ 29 ）式等同于 離差變換 O L S 估計(jì) 。對(duì)其作如下變換 yi t iy??= (1 ??) ? + ( Xi t ??iX) 39。 3 ．面板數(shù)據(jù)模型估計(jì)方法 3 . 5 隨機(jī)效應(yīng)（ r a n d o m e f f e c t s ）估計(jì)法（ 可行 G L S （ f e a s ib le G L S ）估計(jì)法 ） 有個(gè)體固定效應(yīng)模型 yi t = ?i + Xi t 39。采用 G M M 方法還可以得到更有效的估計(jì)量。為了得到正確的統(tǒng)計(jì)推斷，需要克服這兩個(gè)因素。 面板數(shù)據(jù)模型估計(jì)量的穩(wěn)健統(tǒng)計(jì)推斷。 當(dāng) ?? = 0 時(shí)，（ 29 ）式等同于混合 O L S 估計(jì)；當(dāng) ?? =1 時(shí)，（ 29 ）式等同于 離差變換 O L S 估計(jì) 。對(duì)其作如下變換 y i t iy?? = (1 ?? ) ? + ( X i t ?? iX ) 39。 3 ．面板數(shù)據(jù)模型估計(jì)方法 3 . 5 隨機(jī)效應(yīng)（ r a n d o m e f f e c t s ）估計(jì)法（ 可行 G L S （ f e a s ib le G L S ）估計(jì)法 ） 有個(gè)體固定效應(yīng)模型 y i t = ? i + X i t 39。盡管 ?i不能被估計(jì)， ? 的估計(jì)量 是一致估計(jì)量 。 ? + ( ?i t ?i t 1) , i = 1 , 2 , … , N 。 ? + ?i t 取其滯后一期關(guān)系式 yi t 1 = ?i + Xi t 139。 3 ．面板數(shù)據(jù)模型估計(jì)方法 3 . 4 一階差分（ f ir s t d if f e r e n c e ） O L S 估計(jì) 在短期面板條件下，一階差分 O L S 估計(jì)就是 對(duì)個(gè)體固定效應(yīng)模型中的回歸量與被回歸量的差分變量構(gòu)成的模型的參數(shù)進(jìn)行 O L S 估計(jì) 。故 FE 也被稱(chēng)為“最小二乘虛擬變量模型”（ Least Square Dummy Variable Model ， LSDV）。比如 Xi t = Xi（非時(shí)變變量），那么有iX= Xi，計(jì)算離差時(shí) 有 Xi iX= 0 。 當(dāng)個(gè)體數(shù) N 不大時(shí)，可采用 O L S 虛擬變量估計(jì)法估計(jì) ?i和 ? 。 個(gè)體固定效應(yīng) 模型 的估計(jì)通常采用的