-
面板数据估计
<
/p>
例
(
file:panel02
)
:
1996-2002
年中国东北、华北、华东
15
个省级地区的居民家庭人均
p>
消费(不变价格)和人均收入数据见表
1
和
表
2
。数据是
7
年的,每一年都有
15
个数据,
共<
/p>
105
组观测值。
人均消费和收入两个面板数据都是平衡面板数据,各有
15
个个体。人均消费和收入的
面板数据从纵剖面观察分别见图
2<
/p>
和图
3
。从横截面观察分别见图
4
和图
5
。横截面数据
散
点图的表现与观测值顺序有关。
图
4
和图
5
中人均消费和收入观测值顺序是
按地区名的汉语
拼音字母顺序排序的。
14000
12000
10000
8
000
6000
4000
2000
p>
1996
14000
12000
10000
8000
6000
4000
2000
1996
199
7
1998
1999
2000
2001
CPSD
CPSH
CPSX
CPTJ
CPZJ
200
2
1997
1998
IPAH
IPBJ
IPFJ
IPHB
IPHLJ
1999
2000
20
01
IPSD
IPSH
IPSX
IPTJ
IPZJ
2002
< br>
图
2
15
个省级地区的人均消费序列(纵剖面)
图
3
15
个省级地区的人均收入序列
(
file
:5panel02
)
14000<
/p>
12000
10000
8000
6000
4000
2000
2
4
CP1996
CP1997<
/p>
CP1998
6
8
10
12
14
14000
12000
10000
8000
< br>6000
4000
2000
2<
/p>
4
IP1996
IP1997
IP1998
6
8
10<
/p>
12
14
CPAH
CPBJ
CPFJ
CPHB
CPHL
J
CPJL
CPJS
CPJX
CPLN
CPNMG
IPJL
IPJS
IPJX
IPLN<
/p>
IPNMG
图
4
7<
/p>
个人均消费横截面数据(含
15
个地区)
图
5
7<
/p>
个人均收入横截面数据(含
15
个地区)
(
每条连线表示同一年度
15
个地区的消费值
)
(
每条连线表示同一年度
15
个地区的收入值
)
CP1999
CP2000
CP2001
CP2002
IP1999
IP2000
IP2001
IP2002
用<
/p>
CP
表示消费,
IP
表示收入。
AH, BJ, FJ, HB, HLJ, JL, JS, JX,
LN, NMG, SD, SH, SX, TJ,
ZJ
分
别表示安徽省、北京市、福建省、河北省、黑龙江省、吉林省、江苏省、江西省、辽
宁省
、内蒙古自治区、山东省、上海市、山西省、天津市、浙江省。
15
个地区
7
年人均消费对收入的面
板数据散点图见图
6
和图
7
。
图
6
中每一种符号代表
一个省级地区的
7
个观测点组成的时间
序列。相当于观察
15
个时间序列。图
7
中每一种符
号代表一个年度的截面散点图(共
7
个截面)
。相当于观察
7<
/p>
个截面散点图的叠加。
1
11000
10000
9000
8000
7000
6000
5000
4000
3000
2000
0
4000
< br>8000
12000
16000
CPAH
CPBJ
CPFJ
CPHB<
/p>
CPHLJ
CPJL
CPJS
CPJX
CPLN
CPNMG
CPSD
CPSH
CPSX
CPT
J
CPZJ
IP(1996-2002)
图
6
人均消费对收入的面板数据散点图
(
15
个时间序列叠加)
12000
CP
1996
CP1997
CP1998
C
P1999
CP2000
CP2001
CP2002
10000
8000
60
00
4000
IP(1996-2002)
4000
6000
8000
100
00
12000
14000
2000<
/p>
2000
图
7
人均消费对收入的面板数据散点图
(
7
个截面叠加)
为了观察得更清楚一些,
图
8
给出北京和内蒙古
1996-2002
年消费对收入散点图。
从图
中可以看出,无论
是从收入还是从消费看内蒙古的水平都低于北京市。内蒙古
2002
年的收
入与消费规模还不如北京市
1996
年的大。
图
9
给出该
15
个省级地区
1996
和
2002
年的消费
对收入散点图。
可见
6
年之后
15
个地区的消费和收入都有了相应的提高。
图
8
北京
和内蒙古
1996-2002
年消费对收入散点图
图
9
1996
和
2002
年
15
个地区的消费对收入散
点图
利用
1996~2002
年
15
个省级地区
城镇居民家庭年人均消费性支出和年人均收入数据
(不
2
变价格数据)介绍面板数据模型估计步骤。
< br>(
1
)建立混合数据库(
Poo
l
)对象。
首先建立年度工作文件(
1996
?
2002
< br>)
。在打开工作文件窗口的基础上,点击
EViwes<
/p>
主
功能菜单上的
Objects
键,选
New Object
功能(如图
18
)
,从而打开
N
ew Object
(新对象)选
择窗。在
Type of Object
选择区选择
Pool
(合并数据库)
,并在
Name of Ob
ject
选择区为混合数
据库起名
Po
ol01
(初始显示为
Untitled
)
。如图
19
,点击
OK
键,从而打开混合数据库(
Pool
)
窗口。在窗口中输入
15
个地区的标识
AH
(安徽)、
BJ
p>
(北京)、
…
、
Z
J
(浙江)
,如图
20
。
图
16
图
17
图
18
<
/p>
(
2
)定义序列名并输入数据。
3
在新建的混合
数据库(
Pool
)窗口的工具栏中点击
Sheet
键(第
2
种路径是,点击
View
键,选
Spreadshee
t (stacked data)
功能)
,从而打开
Series List
(列写序列名)窗口,定义时间
序列变量
CP?
和
IP?
p>
(?符号表示与
CP
和
IP
相连的
15
个地区标识名)如
图
19
。
图
19
点击
OK
键,从而打开混合数据库(
Poo
l
)窗口(图
20
)
< br>。
(点击
Edit+-
键,使<
/p>
EViwes
处于
可编辑状态)可以用键
盘输入数据,也可以用复制和粘贴的方法输入数据。
图
20
图
2
0
所示为以个体为序的阵列式排列(
stacked
data
)
。点击
Or
der+-
键,还可以变换为
以截面为序的阵列式排列。输入完
成后的情形见图
21
。
4
图
21
点击
PanelGener
或
Quick/Generate Series by Equation
健,
可以通过公式用已有的变量生
成新变量(注意:输入变量
时,不要忘记带变量后缀“?”
)
。
点击
Estimation
键,随后弹
出
Pooled
Estimation
(混合估计)对话窗(见图
11
)
。
先对
Pooled Estimation
(混合估计)对话窗
中各选项功能给以解释。
图
12
EViwes
5.1
面板模型估计窗口
Dependent
Variable
(相依变量)选择窗:用于填写被解释变量。
Sample
(样本范围)选择窗:用于填写样本区间。
Balanced Sample
(平衡样
本)选择块:点击挑勾后表示用平衡数据估计。
Common
coefficients
(系数相同)选择窗:用于填写对于不同横截面斜率(回归系
数)
相同的解释变量和虚拟变量。
Cross section specific coefficients
(截面系数不同)选择窗:用于填写对于不同横截面斜
5
率(回归系数)不同的解释变量。
Intercept
(截距项)选择窗:从中可以选
None
(不要截距项)
、
Common
(同一截距项)
、
Fi
xed effects
(个体不同截距项不同)
、
Random effects
(随机效应截距项)
。
Weighting
(权数)选择窗:从中可以选
No weighting
(等权估计)
、
Cross section weights
(按截面取权数)
、
SUR
(似不相关回归)
< br>、
iterate to convergence
(迭
代至收敛)
。
“等权估计”
的方法是所
有的观测值都给以相等的权数;
“
按截面取权数
”的方法是以横截面模型残差的
方差为权数,属于广义最小二乘法估计。
“似不相关回归”的方法是利用横截面模型残差的
协方差进行广义最小
二乘法估计,
该法将自动修正横截面中出现的异方差和短期自相关;
“
迭
代至收敛”方法当选择广义最小二乘法估计时,点击此
键将保证参数估计一直到收敛为止。
在
Options
对话框中可以给出收敛准则和最大迭代次数。
用
EViwes
可以估计固定效应模型(包括个体固定效应模型
、时点固定效应模型和时点
个体固定效应模型
3
种)
、随机效应模型、带有
AR(1)
参数的模型、截面不同回归系数也不
同的面板数据模型。
用
EViwes
可以选择普通最小
二乘法、加权最小二乘法(以截面模型的方差为权)
、似
不相关
回归法估计模型参数。
可以在
Common
coeffic
ients
选择窗和
Cross
section
specific
coefficients
选择窗中填入
AR(1)
项。如果把
AR(1)
项填在
Common coefficients
选择窗中相当于假设模型有相同的自回<
/p>
归误差项,
如果把
AR(1)
项填在
Cross section specific coeffic
ients
选择窗中相当于假设模型有
不同的自回归误差项。注
意:如果把解释变量填入
Cross
section
specific
coefficients
选择窗
中,将会得到很多的回归参数。
估计过程中的缺省方法是等权(
No
weighting
)估计。还可以选择
Cross
section weights
(按截面取权数)和
SUR<
/p>
(似不相关回归)
。
< br>解释
3
种估计方法如下:
混合模型(
Pool
Model
)
工具栏中点击
Estimate
键,打开
Pooled
Estimation
(混合估计)窗口。
在
Dependent Variable
(相依变量)
选择窗填入
CP?
;
在
Common coefficients
< br>(系数相同)
选择窗填入
IP?
;
Cross
section
specific
coefficients
(截面系数不同)选择窗保持空白;在
Intercept
(截距项)选择窗点击
Common
;在
< br>Weighting
(权数)选择窗点击
No weig
hting
。
点击
Pooled Es
timation
(混合估计)窗口中的
OK
< br>键。得输出结果如图
14
。
6
-
-
-
-
-
-
-
-
-
上一篇:星系形态星表数据描述
下一篇:金融英语的单选题