面板数据中FGLS或PCSE估计如何区别固定效应和随机效应

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

首先我们通过hausman检验确定了模型采用固定效应分析或是随机效应分析，接着我们通过相关性检验和异方差检验，若是确定模型存在截面相关性和异方差性，那么通常我们采用可行的GLS方法或面板修正的标准差估计（PCSE）对模型进行估计。那么，我的问题是:当hausman检验已经确定模型采用固定效应分析或随机效应分析时，如何在可行的GLS或PCSE上有所体现？换言之，如何在可行的GLS或PCSE方法上区别固定效应分析和随机效应分析？

企盼赐教！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏66 回帖

关键词：FGLS 随机效应 面板数据 固定效应 PCSE 面板 效应 随机 PCSE FGLS

我也遇到过这个问题 我怎么感觉做FGLS的话 就FE/RE  没什么关系了

应该是不同的两个方法

我也一直存在这样的疑问，感觉FGLS根本和固定与随机效应无关似的！请高人指点！

我也有这个疑问，我收集了一段xtgls和xtpcse的比较，但没有与固定和随机效应的联系。

xtpcse and xtgls estimate linear panel data models using feasible GLS. xtpcse computes OLS estimates with panel-corrected standard errrors, while xtgls computes feasible GLS estimates. These commands allow estimation in the presence of AR(1) autocorrelation within panels, as well as heteroskedasticity or cross-sectional correlation across panels. In the case of cross-sectional correlation, xtgls requires T > n.

期待arlionn 的回答

dolphinshao 发表于 2009-8-1 19:53
期待arlionn 的回答

请看坛子里的stata手册之Panel Data分册，里面对这两个命令，以及它们与xtreg, regress的异同，讲解的非常细致。
如果想要从理论上搞清楚差异，请仔细研读Greene(2000, 4th) 之 Chpater14（panel data）和Chapter15（介绍了xtgls以及xtpcse）。

神泣外挂下载 神泣外挂 神泣免费外挂 神泣最新外挂 神泣外挂 神泣机器人 冒险岛外挂 冒险岛吸怪外挂
华夏二外挂 华夏2外挂 赤壁外挂 新奇迹世界外挂
神泣外挂
神泣外挂
冒险岛无敌外挂
冒险岛免费外挂
冒险岛挂机外挂
冒险岛074外挂

6# arlionn


可是在eviews中怎么体现？而且原理的那本书，我也看不太懂。能不能用中文简单的说一下？pcse和re/fix的关系？比如我说：
我建立了个体随机效应模型，PCSE（Panel Corrected Standard Errors，面板校正标准误）方法修正异方差，这种说法对么？

FE / RE 模型可统一表述为：

      y_it  =  u_i + x_it*b + e_it                 (1)

对于FE，个体效应 u_i 被视为一组解释变量，为非随机变量，即 N-1 个虚拟变量；

对于RE，个体效应 u_i被视为干扰项的一部分，因此是随机变量，假设其服从正态分布，即 u_i~N(0, sigma_u^2)；

在上述两个模型的设定中，e_it 都被视为“干干净净的”干扰项，也就是我们学习OLS第一讲时那个背负着众多假设条件，但长相极为俊俏的干扰项，e_it~N(0, sigma_e^2)。

需要注意的是，在 FE 模型中，只有一个干扰项 e_it，它可以随公司和时间而改变，所有个体差异都采用 u_i 来捕捉。而在 RE 模型中，其实有两个干扰项：u_i 和 e_it，差别在于，第一种干扰项不随时间改变（这也是所谓的“个体效应”的含义），而第二类干扰项可以随时间改变。

因为上述对 FE 和 RE 中个体效应 u_i 的假设之差异，二者的估计方法亦有差异。FE可直接采用OLS估计，而RE则必须使用GLS才能获得更为有效的估计量。


再来看 xtgls 和 xtpcse 这两个命令所对应的模型：
在Greene(2000, chp15) 中，他并未把此类模型称为"Panel data model"，而是称为“Systems of Regression Equations Model”。模型设定如下：

      y_it  =  a + x_it*b + e_it                 (2)

可以看出，在这个模型设定中，只有一个不带下标的常数项 a。因此，你可以认为这就是一个简单的线性回归模型，只是我们所有分析的数据是“面板资料”，而不是“截面资料”。为了能反映出面板的特征，就必须在干扰项上做文章。

假设模型以公司为单位表示如下（其中，y_1 是一个 TX1 维列向量，表示第一家公司）：

  * | y_1 |   | X_1 |       | e_1 |
  * | y_2 |   | X_2 |       | e_2 |   
  * |  .  |   |  .  |       |  .  |
  * |  .  | = |  .  | * b + |  .  |
  * |  .  |   |  .  |       |  .  |
  * | y_n |   | X_n |       | e_n |
  
当假设存在截面异方差时，即不同的公司面临的干扰项具有不同的波动性（Var(e_1) != Var(e_2)）,则干扰项的方差-协方差矩阵可表示为：

*-- 截面异方差
  
  *     E[e_i*e_i'] = [s_i^2]  \\ 只写出其中一个元素，下同
  *     
  *         | s1^2    0   ...   0   |
  *         |   0   s2^2  ...   0   |      
  *         |         .             |
  *     V = |         .             |      
  *         |         .             |
  *         |   0     0   ...  sn^2 |
  
若考虑截面相关，即公司A和公司B面临的干扰可能存在相关性，则V矩阵中的非对角元素不再为零：

  *-- 截面相关
  
  *     E[e_i*e_i'] = s_ij^2
  *     
  *         | s_11  s_12   ...  s_1n  |
  *         | s_21  s_22   ...  s_2n  |      
  *         |         .               |
  *     V = |         .               | * sigma^2      
  *         |         .               |
  *         | s_n1  s_n2   ...  s_nn  |
  
如考虑序列相关，则对于同一家公司而言，不同时间上的干扰项存在相关性，那么每家公司将对应一个TxT的方块矩阵，该矩阵的非对角元素不为零，可简写如下（不严谨）：

  *-- 序列相关
  
  *     E[e_i*e_i'] = s_i^2 * M_i
  *     
  *         | s1^2*M_1      0      ...     0     |
  *         |     0      s2^2*M_2  ...     0     |      
  *         |               .                    |
  *     V = |               .                    |      
  *         |               .                    |
  *         |     0         0      ...  sn^2*M_n |   
  
  
* GLS 估计
  
  *       b    = [X'V^{-1}*X]^{-1}[X'V^{-1}y]
  *     Var(b) = [X'V^{-1}*X]^{-1}
         


小结：


整体而言，xtgls 和 xtpcse 这两个命令是我们学习的GLS估计方法的一个综合应用，重点都在干扰项的方差协方差矩阵的设定上做文章。而FE/RE 模型则单独列出一个 u_i来，以便充分反应所谓的“个体效应”。

两套模型并无优劣之分，只是建模的方法有所差异而已。至于选择哪一类，完全决定于你如何去理解和设定不同公司之间的差异和相关性，以及公司内部不同年度之间的相关性。

厉害啊，还是连帮主厉害