关于面板数据的几个模型

   各位大神，我是软件工程专业的研究生，统计学的小白，最近我在研究使用eviews分析面板数据，对面板数据的模型有几个疑问，希望能向前辈们请教一下：
    最近看过很多关于面板数据的资料，然而感觉不同的文献有点不一致，因此对面板数据的几种模型有疑问
（1）第一类说法：       面板数据模型主要分为三类：混合数据模型、固定效应模型、随机效应模型      通过F检验可以决定选用混合模型还是固定模型，使用hausman检验可以觉得选用随机效应模型还是固定效应模型
（2）第二类说法：

        F检验有两个统计量F1，F2，通过两个统计量决定选用混合模型、变截距模型、变系数模型中的某一种，然后通过hausm检验决定选用随机效应模型还是固定效应模型
（3）第三类说法：
        使用wald检验选择混合模型与固定效应模型，使用B-L LM检验选择混合模型与随机效应模型，使用Hausman检验选择使用固定效应模型与随机效应模型。

那么问题来了：
    （1）请问混合模型、固定效应模型、随机效应模型、变截距模型、变系数模型之间到底是什么关系？
     (2) 以上的方法到底是不是都是对的？
    （3）另外，关于单位根检验，我的数据有3个解释变量，一个被解释变量，其中两个解释变量以及一个被解释变量是二阶单整，其中一个解释变量是一阶单整，我现在能想到的办法就是把二阶单整的数据进行一阶差分之后再合第三个解释变量一起回归，但是这样会不会损失太大了？或者说前辈，们能不能给点好的建议，谢谢
    谢谢大神们，求指教。

这个问题我已经解决了，现在把我的收获分享给大家：
        （1）面板数据常用的分类为：混合模型、固定效应模型、随机效应模型；
         （2）截距向量和系数向量分为：混合估计模型、变截距模型、变系数模型；
F检验有两个值，通过F1和F2可以选择使用混合、变截距、变系数模型中的一种。然后在通过Hausman检验选择建立随机效应还是固定效应，在eviews中固定效应选择fixed，随机效应选择random，然后变截距变系数、还是固定主要和common coefficients以及croos-section specific两处有关系

F检验是用来在混合模型和固定效应模型中做出选择，而Hausman检验是用来在固定效应模型和随机效应模型中做出选择，所以不存在孰先孰后的问题；
由于我们通常估计的个体效应而不是时刻效应，所以我们进行回归和检验的时候，Period选择None。
回归的时候，具体操作设置如下，
Depedent Variable里填因变量，Common Coefficients里填自变量（包括截距项c），Cross-Section视回归需要选择None、Fixed、Random，Period选择None，可以依次实现混合回归、个体固定回归、个体随机回归。然后在个体固定回归之后，进行F检验进行模型选择决策1；在个体随机回归之后，进行Hausman检验进行模型选择决策2，从而最终得出最佳回归。

面板数据
1 面板数据分析基础知识 http://www.docin.com/p-34249153.html
2 面板数据分析步骤 http://blog.sina.com.cn/s/blog_4fd085ff0100eb91.html
http://tech.watchstor.com/storage-systems-115248.htm
http://www.cces.fudan.edu.cn/UploadFile/截面与面板数据分析方法-CH1.ppt
http://space.cenet.org.cn/user1/3178/10968.html
3 EVIEWS教程 http://baoming.pinggu.org/Default.aspx?id=7
http://www.cces.fudan.edu.cn/ArticleDetail.aspx?ID=1291

原文链接：http://tezhengku.com/topic/?p=440

面板数据
1 面板数据分析基础知识 http://www.docin.com/p-34249153.html
2 面板数据分析步骤 http://blog.sina.com.cn/s/blog_4fd085ff0100eb91.html
http://tech.watchstor.com/storage-systems-115248.htm
http://www.cces.fudan.edu.cn/UploadFile/截面与面板数据分析方法-CH1.ppt
http://space.cenet.org.cn/user1/3178/10968.html
3 EVIEWS教程 http://baoming.pinggu.org/Default.aspx?id=7
http://www.cces.fudan.edu.cn/ArticleDetail.aspx?ID=1291

原文链接：http://tezhengku.com/topic/?p=440

1.混合估计模型就是各个截面估计方程的 截距和斜率项都一样，也就是说回归方程估计结果在截距项和斜率项上是一样的
2.随机效应模型和固定效应模型则认为回归方程估计结果在截距项和斜率项上是不一样的，所以你可以选择变截距模型，也可以选择变系数模型
3.随机效应和固定效应模型的区别在于，随机效应模型认为误差项和解释变量不相关，而固定效应模型认为误差项和解释变量是相关的

方差分析(写成英文我就认识了。。analysis of variance (ANOVA) )主要有三种模型：即固定效应模型（fixed effects model），随机效应模型（random effects model），混合效应模型（mixed effects model）。

所谓的固定、随机、混合，主要是针对分组变量而言的。

固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”的含义正在于此，这三种药是固定的，不是随机选择的。

随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。混合效应模型就比较好理解了，就是既有固定的因素，也有随机的因素。


一般来说，只有固定效应模型，才有必要进行两两比较，随机效应模型没有必要进行两两比较，因为研究的目的不是为了比较随机选中的这些组别。


固定效应和随机效应的选择是大家做面板数据常常要遇到的问题，一个常见的方法是做huasman检验，即先估计一个随机效应，然后做检验，如果拒绝零假设，则可以使用固定效应，反之如果接受零假设，则使用随机效应。但这种方法往往得到事与愿违的结果。另一个想法是在建立模型前根据数据性质确定使用那种模型，比如数据是从总体中抽样得到的，则可以使用随机效应，比如从N个家庭中抽出了M个样本，则由于存在随机抽样，则建议使用随机效应，反之如果数据是总体数据，比如31个省市的Gdp，则不存在随机抽样问题，可以使用固定效应。同时，从估计自由度角度看，由于固定效应模型要估计每个截面的参数，因此随机效应比固定效应有较大的自由度.

固定效应模型
　　固定效应模型（fixed effects model）的应用前提是假定全部研究结果的方向与效应大小基本相同，即各独立研究的结果趋于一致，一致性检验差异无显著性。因此固定效应模型适用于各独立研究间无差异，或差异较小的研究。
　　固定效应模型是指实验结果只想比较每一自变项之特定类目或类别间的差异及其与其他自变项之特定类目或类别间交互作用效果，而不想依此推论到同一自变项未包含在内的其他类目或类别的实验设计。例如：研究者想知道教师的认知类型在不同教学方法情境中，对儿童学习数学的效果有何不同，其中教师和学生的认知类型，均指场地依赖型和场地独立型，而不同的教学方法，则指启发式、讲演式、编序式。当实验结束时，研究者仅就两种类型间的交互作用效果及类型间的差异进行说明，而未推论到其他认知类型，或第四种教学方法。象此种实验研究模式，即称为固定效果模式。与本词相对者是随机效应模型（random effect model）、混合效应模型（mixed effect model）。

随机效应模型 random effects models
　　随机效应模型(random effects models)是经典的线性模型的一种推广，就是把原来（固定）的回归系数看作是随机变量，一般都是假设是来自正态分布。如果模型里一部分系数是随机的，另外一些是固定的，一般就叫做混合模型（mixed models）。
　　虽然定义很简单，对线性混合模型的研究与应用也已经比较成熟了，但是如果从不同的侧面来看，可以把很多的统计思想方法综合联系起来。概括地来说，这个模型是频率派和贝叶斯模型的结合，是经典的参数统计到高维数据分析的先驱，是拟合具有一定相关结构的观测的典型工具。
　　随机效应最直观的用处就是把固定效应推广到随机效应。注意，这时随机效应是一个群体概念，代表了一个分布的信息 or 特征，而对固定效应而言，我们所做的推断仅限于那几个固定的（未知的）参数。例如，如果要研究一些水稻的品种是否与产量有影响，如果用于分析的品种是从一个很大的品种集合里随机选取的，那么这时用随机效应模型分析就可以推断所有品种构成的整体的一些信息。这里，就体现了经典的频率派的思想-任何样本都来源于一个无限的群体(population)。
同时，引入随机效应就可以使个体观测之间就有一定的相关性，所以就可以用来拟合非独立观测的数据。经典的就有重复观测的数据，多时间点的记录等等，很多时候就叫做纵向数据(longitudinal data)，已经成为很大的一个统计分支。

当截面数小于变量系数的数量时，在eviews下只能做固定效应模型的估计。
所以此处不做hausm检验。选择固定效应模型。

点赞楼主，面板数据研究的好透彻！

thank you for sharing