非平衡面板数据如何分析？

面板数据.rar (102.56 KB) 本附件包括：

• 面板数据.csv

2014-7-21 16:52:04 上传

回归数据

1. Data<-read.csv('面板数据.csv')
   
2. #回归方程，变量含有个体固定不变的变量，如Size,Ind2,Issuer2,其他的都是随随个体和时间变化的变量
   
3. formular1<-H_tradeqty_quarter~BQZ_Credit5+factor(Guanrt)+Q_Coupon+log(Size)+Q_Age+Q_YeaMat+factor(Special)+
   
4. factor(Issuer2)+vol_Q+Lev+ROE++NetProfit_incre+Asset_turnover+factor(Ind2)
   
5. #OLS回归
   
6. lm1<-lm(formular1,Data)
   
7. summary(lm1)
   
8. #面板数据回归
   
9. library(plm)
   
10. Data1<-pdata.frame(Data,index=c("Bdcd","time"))
    
11. #个体固定的随机效应模型
    
12. lm2<-plm(formular1,Data1,model='random',effect='individual')
    
13. summary(lm2)
    
14. #时间固定的随机效应
    
15. lm3<-plm(formular1,Data1,model='within',effect='time')
    
16. summary(lm3)

复制代码

怎么分析到底用哪一种回归？？？？

大致解释一下吧——

如果在不同时期的个体是不同的（增加或减少），那么该面板数据就成为了非平衡面板。目前plm包中对于非平衡面板还不能进行双向效应估计，能提供的误差分量估计法也只有一种。Baltagi(2001)重新估计了房地产市场的特徽价格方程（hedonichousing prices function），代码如下：

data("Hedonic",package = "plm")

Hed <-plm(mv~crim + zn + indus + chas + nox + rm + age + dis + rad + tax + ptratio +blacks + lstat, Hedonic, model = "random", index ="townid")

summary(Hed)

  

根据各类检验——

  

可混合性检验（Tests of poolability）在进行面板数据分析前，一般会考虑到一个问题：对于每个个体，解释变量系数都是一样的吗？换言之，个体效应是否存在？当然，一般说来个体效应都会存在的，否则后面的分析就没有意义了，直接采用混合模型就好。可混合性检验就是用来检验个体效应的。我们这里需要调用pooltest()函数进行检验。最简单的调用方法如下：
data(Grunfeld, package="plm")pooltest(inv~value + capital, data = Grunfeld, model = "within")其实，该函数需要的由两部分组成，一为通过plm()得到的模型，二为通过pvcm()得到的固定效应模型。因此，上面的代码实则等价于：
znp <- pvcm(inv~value + capital, data = Grunfeld, model = "within") zplm <- plm(inv~value + capital, data = Grunfeld)pooltest(zplm, znp) 实际上，这里的pvcm()函数进行的正是变系数回归，而可混合性检验的实质也就是对这两种模型进行比较的F检验。
  
个体效应或时间效应检验（Tests for individualand time effects）用拉格朗格乘子法可以检验相对于混合模型的个体或时间效应。调用plmtest()函数。调用方式有两种，其一可以先做一个混合回归再进行检验（如双向效应）：
g_pooled <- plm(inv~value + capital, data = Grunfeld, model = "pooling")plmtest(g_pooled, effect = "twoways", type = "ghm")此外也可以直接在调用检验函数的同时指定回归模型，如：
plmtest(inv~value + capital, data = Grunfeld, effect = "twoways", type = "ghm")对于该函数来说，还可以附加参数type，可选bp, honda, kw, ghm之一。至于必须指明的effect参数，可选individual, time,twoways之一。
此外，还可以做各种效应的F检验（基于混合模型与固定效应模型之间的比较）：
g_fixed_twoways <- plm(inv~value + capital, data = Grunfeld, effect = "twoways", model = "within")pFtest(g_fixed_twoways, g_pooled)当然，pFtest()函数也提供了另外一种直接的调用形式，如pFtest(invvalue + capital, data = Grunfeld, effect = "twoways")。
Hausman检验为了判断到底是采用固定效应还是随机效应模型，我们一般采取经典的Hausman检验，这可以通过调用phtest()函数实现。注：这里我们只展示Hausman检验的用法，至于实际应用中该检验结果是否足以支撑模型选择，则需另作学术讨论。
gw <- plm(inv~value + capital, data = Grunfeld, model = "within")gr <- plm(inv~value + capital, data = Grunfeld, model = "random")phtest(gw, gr)
然后可以

1. ##混合回归Chow检验，检验是否可以使用混合面板数据回归
   
2. pool<-plm(formular1,Data1,model='pooling')
   
3. pvcm<-pvcm(formular1,Data1,model='within',effect='time') #时间固定效应
   
4. pooltest(pool,pvcm)
   
5. ###个体效应、时间效应检验
   
6. g<-plm(formular1,data=Data1,model="pooling")
   
7. plmtest(g,effect="twoways",type="bp")###个体效应、时间效应检验
   
8. plmtest(g,effect="individual",type="bp")
   
9. plmtest(g,effect="time",type="bp")
   
10. ###Hausman检验2:时间对时间
    
11. plm1<-plm(formular1,Data1,model='within',effect='time')
    
12. plm2<-plm(formular1,Data1,model='random',effect='individual')
    
13. phtest(plm1,plm2)
    
14. ##Hausman检验，p值很大，不能拒绝原假设，模型使用时间固定效应的随机效应模型。

复制代码

感觉不太懂！