人大经济论坛 › 标签 › 面板

标签: 面板经管大学堂：名校名师名课

相关帖子	版块	作者	回复/查看	最后发表

采用动态面板数据GMM”滞后期因变量和自变量”必须要高度相关？ - [!reward_solved!]	Stata专版	yuanhu 2013-3-14	4 7083	moving11 2021-6-6 16:55:13
matlab做空间面板出现问题——NAN，怎么解决	MATLAB等数学软件专版	weiqun890 2013-1-29	27 16192	diyufu4 2020-9-25 13:57:30
面板的order logit如何实现？_面板+排序LOGIT - [悬赏 50 个论坛币]	悬赏大厅	Howard-Lee 2013-3-20	5 3324	宛如青空 2020-5-28 15:49:49
用Xtaond2 做动态面板，为什么在加入Robust 之后估计结果会有很大差异？这个区	Stata专版	linzhongta 2013-5-6	16 8074	xingdongbao8 2019-10-19 17:38:39
用eviews做面板数据分位数回归中遇到的问题	EViews专版	xinyiandlan 2013-2-26	13 9379	静风睿月 2018-10-21 23:52:54
门槛回归：截面，时间序列和面板	Stata专版	xianghui2081 2013-1-22	17 9055	Sylvita 2017-11-15 12:12:17
面板VAR模型运行问题求助	Stata专版	绿意盎然 2013-3-6	15 8306	QQ201192AB 2017-6-10 10:13:03
Eviews面板做有序回归时出现因变量未定义该怎么办？急！！在线等！ - [悬赏 20 个论坛币]	EViews专版	想死的秋刀鱼 2013-3-28	12 13599	suming 2017-3-20 14:26:00
面板数据分析过程中的R方问题	EViews专版	geniuslcq 2013-3-11	13 23691	况我堕胡尘5 2017-2-17 10:14:15
spss可以做面板数据的聚类分析么	SPSS论坛	sadbaronsabaron 2013-5-13	3 2288	涂崽 2017-1-8 17:52:09
[SAS求助！]如何用PROC MIXED做非平衡面板数据固定效应回归？	SAS专版	huangtianxiao 2013-4-14	2 25583	bulengbure30 2016-9-12 09:19:50
求解，面板数据做异方差检验是用怀特检验吗？	Stata专版	西瓜山上冬瓜多 2013-3-24	8 16632	eocoeoco 2015-12-13 20:35:53
一般的离散因变量和面板离散因变量模型课件和数据	计量经济学与统计软件	wzzhao 2013-4-17	1 1296	hiderm 2013-6-14 16:31:55
面板数据分析结果不会看，求大家帮忙	Stata专版	更深的蓝000 2013-6-1	7 7081	更深的蓝000 2013-6-1 23:02:28
eviews如何调用已经建立好的面板数据中部分个体数据？	爱问频道	我行我酷 2013-5-7	7 5762	阝氵刂 2013-5-15 09:48:39
求教：用Eviews7.0做GMM估计	EViews专版	在水一方金陵 2013-5-2	1 5392	在水一方金陵 2013-5-5 11:18:43
如何才能告诉stata 是面板数据？	Stata专版	雨的印记7807 2013-4-14	5 2572	雨的印记7807 2013-4-19 18:06:01
数据求助	数据求助	梧桐叶翩翩 2013-3-20	0 1068	梧桐叶翩翩 2013-3-20 19:45:33
面板数据ADF检验问题 - [!reward_solved!]	EViews专版	微澜 2013-1-31	4 6506	rhh1984 2013-2-14 20:11:10

更多...

相关日志

分享 ----------------------空间面板动态面板------------------------: 热度 3 少来风 2013-4-25 23:44; 空间面板数据计量 | 字号订阅今天解决的动态空间面板数据计量模型，汇总一下，空间计量的研究可以按如下步骤，当然不仅限于此，研究者可根据自身的需要制定方法： 1. 利用STATA测算全局MORAN指数和GEARY系数。 2. 利用STATA绘制Moran散点图。 3. 利用Matlab进行SAR和SEM静态空间面板数据的计量回归，每个方法包括四类模型。 4. 利用stata进行动态空间面板数据计量回归。目前stata可以做的有空间广义最小二乘法回归、空间Tobit面板数据回归、空间广义矩估计面板数据回归。用stata相对简单些，对于有stata基础而对matlab生疏的同学可以考虑采用stata进行动态空间面板数据回归。当然也可以用matlab，我个人倾向于stata。最后，目前stata还不能做面板数据空间SAR和SEM，等1-2个月，估计网上会发布相关命令。等待中，若有，则全部用stata即可解决空间面板数据的所有计量回归。目前，利用stata进行动态空间面板数据回归的文章已经有在计量经济学杂志发表的，可见stata的确也非常强大。起码少了编程的麻烦，从经济的角度考虑，采用stata还是比较有利的。解决了空间面板数据计量模型，接下来要利用该方法解决之前关于地区差距研究的所有问题。之前的地区差距没有考虑空间相关性，因此回归可能有偏，重新用新的方法做一下，检验之前的研究，也为后面的研究提供新的发展空间。从7月10日到现在一直忙于装修房子，没顾上空间计量，重新拾起。目前Stata能够处理一般的空间计量，具体步骤如下： 1. 安装stata11以上的软件，否则无法运行这些程序。 2. 学会ssc install 和help命令。有不懂的就help一下。 3. 安装spautoreg程序，能够处理所有的截面数据模型。 4. 安装spweight，处理空间权重矩阵。 5.安装spatwmat，处理空间权重矩阵。 6. 安装spatgsa，测算Moran'I指数，绘制散点图。初步完成《中国二氧化碳排放的地区差异与收敛性—基于动态空间面板数据模型的经验证据》 2012-10-25 13:39:09 |分类：科研 | 字号订阅刘华军如题，利用3个多月的时间，解决了动态空间面板数据模型的原理、操作及分析，撰写了《中国二氧化碳排放的地区差异与收敛性—基于动态空间面板数据模型的经验证据》，文章利用1995-2010年中国大陆29个省市的二氧化碳排放数据，以碳强度作为二氧化碳排放指标，构建动态空间面板数据模型对中国二氧化碳排放的地区差异及其收敛性进行了经验检验。文章的贡献主要来源于以下三个方面：第一，与已有的经典计量不同，本文将空间因素纳入到二氧化碳排放收敛的研究中，采用空间计量经济学的工具对中国二氧化碳排放的收敛性进行经验检验。第二，与林伯强、黄光晓（2011）、陈青青、龙志和（2011）采用截面数据的静态空间计量模型不同，本文将采用动态空间面板数据模型（Dynamic Spatial Panel Model）来研究中国二氧化碳排放的收敛性。动态空间面板数据模型是新近发展起来的一种新的空间计量建模和估计技术，国外的发展相对较快（Elhorst, 2012; Yu, et al., 2008; Lee Yu, 2010; Anselin, et al., 2008; Debarsy, et al., 2011），其中已经有部分文献尝试采用动态空间面板计量模型进行收敛性检验的经验研究，如（Lee Yu, 2012; Bouayad-Agha Védrine, 2010），然而国内目前对于动态空间版数据计量模型的应用尚处于起步阶段，国内仅有李婧等（2008）、张明、谢家智（2012）等少数几篇文献采用了该模型，其中前者运用动态空间面板数据模型研究了中国区域创新生产的空间相关与集聚；后者则采用动态空间面板数据模型实证考察了中国地区间价格水平的空间相关性及传导差异的因素。本文将空间动态面板数据模型应用于中国二氧化碳排放的空间分布及其收敛检验，无疑是一个全新的尝试。第三，对于空间经济计量方法而言，空间权重矩阵的选择至关重要，林伯强、黄光晓（2011）、陈青青、龙志和（2011）与大多数空间计量文献一样，采用的是相对简单的邻接空间权重矩阵，然而邻接空间权重矩阵过于简单，无法解决二氧化碳排放分布中的“地理距离”和“经济距离”，因此与他们不同，本文将地理距离和经济距离引入空间权重矩阵，从而能够充分考虑空间与经济发展对二氧化碳排放的相互影响。第四，与多数文献采用人均碳排放量作为二氧化碳排放指标不同，本文将采用碳强度这一指标。由于我国的碳减排是按照碳强度来进行的，因此，使用碳强度而非人均二氧化碳排放指标对于中国碳减排政策的制定更具现实意义。请教：行业与时间这已经是两个维度了，那再加上其余n个行业对某 i 行业的影响（即行业间的影响效应），这是动态面板模型呢？还是空间面板？动态面板与空间面板有什么区别啊？谢谢指教。。。这是空间面板。简单点说，动态面板是指包含被解释变量滞后项的，空间面板是指包括各个体的相互影响的模型。仅供参考，如果不对，请指教。; 122 次阅读|24 个评论

分享面板数据的处理！（转）https://bbs.pinggu.org/forum.php?mod=viewthread&tid=46674 ...: tj8668631 2013-3-25 17:02; *横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。 *一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。 *单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) (1992 ,1993 ,2002) 、Im、Pesaran 和Shin 方法( IPS 检验) (1995 ,1997) 、Maddala 和Wu 方法(MW检验) (1999) 等。 *协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有: (1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。 (2)Pedron(i1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。 (3)Larsson et a(l2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法。这种检验的方法是检验变量存在共同的协整的秩。 *一般的顺序是：先检验变量的平稳性,当变量均为同阶单整变量时,再采用协整检验以判别变量间是否存在长期均衡关系。如果变量间存在长期均衡的关系,我们可以通过误差修正模型(ECM) 来检验变量间的长期因果关系;如变量间不存在协整关系,我们将对变量进行差分,然后通过向量自回归模型(VAR),检验变量间的短期因果关系。 ---------- 关于平稳性检验和协整检验、因果检验流程图 ↗ 同阶单整→协整检验→协整？（YES：EG两步法 for 长期因果关系；NO：误差修正模型ECM/VEC for 短期因果关系）平稳？（单位根检验） ↘非同阶单整→差分使平稳→VAR→Granger因果检验 for 短期因果关系原创]关于面板数据模型选择回归与检验流程图混合固定（main：个体固定）随机（main：个体随机） ▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏ ▏先回归估计 ▏先回归估计 ↓Cross-section:fixed ↓Cross-section:random F检验 Hausman检验 ▏ ▏ H0:混合 H1:个体固定 HO:个体随机 H1:个体固定 -- Output： ▏ ▏ If: If: F=(Cross-section F Stat.)Fa(df1,df2) H=(Cross-section Random Stat.)χ2a(df1) or Prob.a or Prob.a Then:reject H0,accept H1 Then:reject H0,accept H1; 个人分类: 转载|26 次阅读|0 个评论

分享 ----------面板数据---------: 少来风 2012-12-9 00:23; 单个数据序列是否平稳？ → （单位根检验） → 存在单位根不平稳 → 差分使之平稳，看是否同阶 ( 同阶1,2,3...单整才能进一步检验协整 ) →检验两个序列之间是否存在协整(使用 EG两步法 ) →是：长期因果关系可进一步建立VEC模型探求短期关系应用 VAR 模型时的15个注意点(笔记) 向量自回归（VAR,Vector Auto regression）常用于预测相互联系的时间序列系统以及分析随机扰动对变量系统的动态影响。VAR方法通过把系统中每一个内生变量 ,作为系统中所有内生变量的滞后值的函数来构造模型，从而回避了结构化模型的要求。Engle和Granger（1987a）指出两个或多个非平稳时间序列的线性组合可能是平稳的。假如这样一种平稳的或的线性组合存在，这些非平稳（有单位根）时间序列之间被认为是具有协整关系的。这种平稳的线性组合被称为协整方程且可被解释为变量之间的长期均衡关系。 VAR模型对于相互联系的时间序列变量系统是有效的预测模型，同时，向量自回归模型也被频繁地用于分析不同类型的随机误差项对系统变量的动态影响。如果变量之间仅存在滞后影响，而不存在同期影响关系，则适合建立VAR模型，因为VAR模型实际上是把当期关系隐含到了随机扰动项之中。（建VAR模型，如果是为了预测，则可以直接建模，不管序列是否平稳。如果是要做脉冲相应和方差分解，则要保证VAR是平稳的，因此首先要做单位根检验，各序列是平稳的，就直接用水平序列做；如果不平稳，是同阶单整的，存在协整关系也可以用水平序列做；水平序列不平稳，又不存在协整关系，只能差分，但这时候序列会丢失数据信息，而且严谨的说你做的是差分序列的关系研究而不是原序列，经济意义不一样。）注意点： 1 、单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接 OLS 容易导致伪回归。 2 、当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。 3 、当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有 EG 两步法和 JJ 检验 A 、 EG 两步法是基于回归残差的检验，可以通过建立 OLS 模型检验其残差平稳性 B 、 JJ 检验是基于回归系数的检验，前提是建立 VAR 模型（即模型符合 ADL 模式） 4 、当变量之间存在协整关系时，可以建立 ECM 进一步考察短期关系， Eviews 这里还提供了一个 Wald － Granger 检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。 5 、格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说 x 的前期变化能有效地解释 y 的变化，所以称其为“格兰杰原因”。 6 、非平稳序列很可能出现伪回归，协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。 7 、平稳性检验有 3 个作用： 1 ）检验平稳性，若平稳，做格兰杰检验，非平稳，作协正检验。 2 ）协整检验中要用到每个序列的单整阶数。 3 ）判断时间学列的数据生成过程。 ADF 检验： 1 view---unit root test, 出现对话框，默认的选项为变量的原阶序列检验平稳性，确认后，若 ADF 检验的 P 值小于 0.5 ，拒绝原假设，说明序列是平稳的，若 P 值大于 0.5 ，接受原假设，说明序列是非平稳的； 2 重复刚才的步骤， view---unit root test, 出现对话框，选择 1st difference, 即对变量的一阶差分序列做平稳性检验，和第一步中的检验标准相同，若 P 值小于 0.5 ，说明是一阶平稳，若 P 值大于 0.5 ，则继续进行二阶差分序列的平稳性检验。先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第 i 次差分时序列平稳，则服从 i 阶单整（注意趋势、截距不同情况选择，根据 P 值和原假设判定）。若所有检验序列均服从同阶单整，可构造 VAR 模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。如果有，则可以构造 VEC 模型或者进行 Granger 因果检验，检验变量之间“谁引起谁变化”，即因果关系。第一，格兰杰因果检验是检验统计上的时间先后顺序，并不表示而这真正存在因果关系，是否呈因果关系需要根据理论、经验和模型来判定。第二，格兰杰因果检验的变量应是平稳的，如果单位根检验发现两个变量是不稳定的，那么，不能直接进行格兰杰因果检验，所以，很多人对不平稳的变量进行格兰杰因果检验，这是错误的。第三，协整结果仅表示变量间存在长期均衡关系，那么，到底是先做格兰杰还是先做协整呢？因为变量不平稳才需要协整，所以，首先因对变量进行差分，平稳后，可以用差分项进行格兰杰因果检验，来判定变量变化的先后时序，之后，进行协整，看变量是否存在长期均衡。第四，长期均衡并不意味着分析的结束，还应考虑短期波动，要做误差修正检验。 8. 单位根检验是检验数据的平稳性，或是说单整阶数。 9. 协整是说两个或多个变量之间具有长期的稳定关系。但变量间协整的必要条件是它们之间是同阶单整，也就是说在进行协整检验之前必须进行单位跟检验。 10. 协整说的是变量之间存在长期的稳定关系，这只是从数量上得到的结论，但不能确定谁是因，谁是果。而因果关系检验解决的就是这个问题。单位根检验是检验时间序列是否平稳，协整是在时间序列平稳性的基础上做长期趋势的分析，而格兰杰检验一般是在建立误差修正模型的后，所建立的短期的因果关系。故顺序自然是先做单位根检验，再过协整检验，最后是格兰杰因果检验。单位根检验是对时间序列平稳性的检验，只有平稳的时间序列，才能进行计量分析，否则会出现伪回归现象；协整是考察两个或者多个变量之间的长期平稳关系，考察两者的协整检验通常采用恩格尔 - 格兰杰检验，两者以上则用 Johansen 检验；格兰杰因果检验是考察变量之间的因果关系，协整说明长期稳定关系不一定是因果关系，所以需要在通过格兰杰因果检验确定两者的因果关系。顺序一般是单位根检验，通过后如果同阶单整，在进行协整，然后在进行因果检验。要特别注意的是：只有同阶单整才能进行协整。 11.VAR 建模时 lag intervals for endogenous 要填滞后期，但是此时你并不能判断哪个滞后时最优的，因此要试，选择不同的滞后期，至 AIC 或 SC 最小时，所对应着的滞后为最优滞后，此时做出来的 VAR 模型才较为可靠。 12. 做协整检验前作 VAR 的原因是，协整检验是对滞后期和检验形式非常敏感的检验，首先需要确定最优滞后。由于 VAR 是无约束的，而协整是有约束的，因此协整检验的最优滞后一般为 VAR 的最优滞后减去 1 ，确定了最优滞后后，再去诊断检验形式，最终才能做协整。 13. 当确定了协整的个数后，往下看，有个标准化的结果，这个结果就是协整方程，由于在结果中各变量均在方程一侧，因此如果系数为正，则说明是负向关系，反之亦然。 14. 协整表示变量间的长期均衡关系，貌似与你的 OLS 不矛盾。（ 1 ）如检验不协整，说明没长期稳定关第，可以做 VAR 模型，但是模型建立后要做稳定性分析：做 AR 根的图表分析，如所有单位根小于 1 ，说明 VAR 模型定，满足脉冲分析及方差分解所需条件之一模型的因果关系检验 2 不过注意在做因果检验前要先确定滞后长度，方法见高铁梅计量分析方法与建模第 2 版 P302 只有满足因果关系，加上满足条件一：稳定性，则可进行脉冲及方差分解如不满足因果关系，则所有不满足因果关系的变量将视为外生变量，至此要重新构建 VAR 模型，新的 VAR 模型将要引入外生变量的 VAR 模型（ 2 ） VAR 与 VEC 关系是： VEC 是有协整约束（即有长期稳定关系）的 VAR 模型，多用于具有协整关系的非平稳时间序列建模高铁梅计理分析方法与建模第 2 版 P295 15 ．简单说 VAR 模型建立时第一步：不问序列如何均可建立初步的 VAR 模型（建立过程中数据可能前平稳序列，也可能是部分平稳，还可能是没协整关系的同阶不平稳序列，也可能是不同阶的不平稳序列，滞后阶数任意指定。所有序列一般视为内生向量 ) ，第二步：在建立的初步 VAR 后进行 1 滞后阶数检验，以确定最终模型的滞后阶数 2 在滞后阶数确定后进行因果关系检验，以确定哪些序列为外生变量至此重新构建 VAR 模型（此时滞后阶数已定，内外生变量已定），再进行 AR 根图表分析，如单位根均小于 1 ， VAR 构建完成可进行脉冲及方差分解如单位根有大于 1 的，考虑对原始序进行降阶处理（一阶单整序列处理方法：差分或取对数，二阶单整序列：理论上可以差分与取对数同时进行，但由于序列失去了经济含义，应放弃此处理，可考虑序列的趋势分解，如分解后仍然不能满足要求，可以罢工，不建立任何模型，休息或是打砸了电脑），处理过后对新的序列（包括最初的哪些平稳序列）不断重复第一步与第二步，直至满足稳定性为止第三步，建立最终的 VAR 后，可考虑 SVAR 模型如果变量不仅存在滞后影响，还存在同期影响关系，则建立 VAR 模型不太合适，这种情况下需要进行结构分析。问：如题，如果分析结果是两组数据都是一阶单整，但是他们做OLS回归以后的残差还是不稳定的，存在一个单位根，那么这两组数据是不存在协整关系的，这样要怎么继续分析呢？答：差分如果有意义，则可以用差分以后的数据分析。否则，你就不用研究下去了，直接下结论吧不存在协整关系，而且是非平稳的数据，按照计量理论这样即使做出来也是伪回归,不存在协整关系只是得不到它们的长期均衡的关系，建议建立VEC找短期因果关系(不对) 。如果短期因果关系都不存在的话，检验一下是否存在模型的设定有偏误的问题。同阶单整→ 协整检验 →协整？（YES： EG两步法 for 长期因果关系；NO：误差修正模型ECM/VEC for 短期因果关系） ↘非同阶单整→差分使平稳 →var → Granger因果检验 for 短期因果关系关于面板数据模型选择回归与检验流程图混合固定（main：个体固定）随机（main：个体随机） ▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏ ▏先回归估计 ▏先回归估计 ↓Cross-section:fixed ↓Cross-section:random F检验 Hausman检验 ▏ ▏ H0:混合 H1:个体固定 HO:个体随机 H1:个体固定 -- Output： ▏ ▏ If: If: F=(Cross-section F Stat.)Fa(df1,df2) H=(Cross-section Random Stat.)χ2a(df1) or Prob.a or Prob.a Then:reject H0,accept H1 Then:reject H0,accept H1; 11 次阅读|7 个评论

分享面板数据分析方法总结（转）: 翱翔的小狐狸 2012-7-1 16:47; 这是我在查阅各种资料后得出的关于面板数据的总结，最近在做面板的实证论文，所以需要这个，欢迎大家继续扩充，只要是关于面板的都行，关于具体如何在Eviews6中实现的更好，不甚感激。 ---------- *横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。 *一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。 *单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) (1992 ,1993 ,2002) 、Im、Pesaran 和Shin 方法( IPS 检验) (1995 ,1997) 、Maddala 和Wu 方法(MW检验) (1999) 等。 *协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有: (1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。 (2)Pedron(i1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。 (3)Larsson et a(l2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法。这种检验的方法是检验变量存在共同的协整的秩。 *一般的顺序是：先检验变量的平稳性,当变量均为同阶单整变量时,再采用协整检验以判别变量间是否存在长期均衡关系。如果变量间存在长期均衡的关系,我们可以通过误差修正模型(ECM) 来检验变量间的长期因果关系;如变量间不存在协整关系,我们将对变量进行差分,然后通过向量自回归模型(VAR),检验变量间的短期因果关系。 ---------- 关于平稳性检验和协整检验、因果检验流程图 ↗ 同阶单整→协整检验→协整？（YES：EG两步法 for 长期因果关系；NO：误差修正模型ECM/VEC for 短期因果关系）平稳？（单位根检验） ↘非同阶单整→差分使平稳→VAR→Granger因果检验 for 短期因果关系本文来自: 人大经济论坛 EViews专版版，详细出处参考： https://bbs.pinggu.org/forum.php?mod=viewthreadtid=466744page=1fromuid=1341964; 个人分类: 做学术|33 次阅读|0 个评论