面板数据分析案例－金锄头文库

资源描述

《面板数据分析案例》由会员分享，可在线阅读，更多相关《面板数据分析案例（8页珍藏版）》请在金锄头文库上搜索。

1、面板数据分析案例一、打开数据禾U用stata软件打开数据gurnfeld.dta，得到有关第一步，声明截面变量和时间变量。命令为：tsset company year或 xtset company year显示:第二步，进行样本的描述性统计。首先我们看看样本的大体分布情况，命令为:xtdescompa ny: 1,2, ., 10n =10year: 1935, 1936, ., 1954T =20Delta(year) = 1 yearSpan( year) = 20 periods(compa ny *year uniq uely ide ntifies each observati on

2、)Distribution of T i:min5%25%50%75%95% max202020 2020 20 20Freq. Perce nt Cum. | Patter n+10 100.00 100.00 | 111+10100.00| XXXXXXXXXXXXXXXXXXXX接下来，我们列示出样本中主要变量的基本统计量，命令为：xtsumxtsum in vest mvalue kstock我们发现统计结果是按照 ”整体、组间和组三个层次进行的。当然，你也可以采用 sum 命令来得到基本统计量，而且在写论文时，所需列示的结果并不要求像上面那么详细，此时 sum命令反而更实用。第三

3、歩，面板数据模型回归分析。我们先做固定效应模型，命令为:mvalue in vest kstock,fe（软件默认为随机效应）Fixed-effects (withi n) regressi onNumber of obs200Group variable: compa nyNumber of groups10R-sq: within = 0.4117 between = 0.8078 overall = 0.7388corr(u_i, Xb) = 0.6955Obs per group: min =20avg =20.0max =20F(2,188)=65.78Prob F = 0.000

5、at all u_i=0:F(9, 188)=113.76Prob F =0.0000结果的前两行列示了模型的类别（本例中为固定效应模型）、截面变量、以及估计中使用的样本数目和个体的数目。第 3行到第5行列示了模型的拟合优度，分为组、组间和样本总体三个层次。第6行和第7行分别列示了针对参数联合检验的F统计量和相应的P值，本例中分别为65.78和0.0000，表明参数整体上相当显著。第8-11行列示了解释变量的估计系数、标准差、t统计量和相应的 P值以及95%勺置信区间，这和我们在进行截面回归是得到的结果是一样的。最后四行列示了固定效应模型中个体效应和隨机干扰项的方差估计值（分别为sigma

6、_u和sigma_e）,二者之间的关系（rho）。最后一行给出了检验固定效应是否显著的F统计量和相应的 P值，本例中固定效应非常显著。估计随机效应模型的命令为：xtreg mvalue in vest kstock,reRan dom-effects GLS regressi onGroup variable: compa nyNumber of obs200Number of groups =10R-sq: within = 0.4115 between = 0.8043 overall = 0.7371Obs per group: min =20avg =20.0max =20Wald c

8、80529268(fracti on of varia nee due tou_i)第四歩，模型的筛选和检验。这是模型设定过程中最为关键同时也是最难的一歩，主要涉及使用【混合效应】混合OLS模型(最小二乘估计)、固定效应模型还是随机效应模型，更进一歩还可能包括序列相关和异方差的检验等问题。在这方面功力的提髙需要大量的实践经验和对理论的深入理解。1)检验个体效应的显著性。对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上是否显著。在我们的例子中，上而的检验结果表明固定效应模型优于混合的 OLS模型。下面我们说明如何检验随机效应是否显著，命令为：若模型检验下面没有

9、F检验，就输入xttestO注明：通过豪斯曼检验，使用固定效应/随机效应Breusch and Paga n Lagra ngia n multiplier test for ran dom effectsmvaluecompa ny,t = Xb + ucompa ny + ecompa ny,tEstimated results:| Var sd = sqrt(Var)+mvalue |17278311314.47e | 72217.58268.7333u | 298685.7546.5214Test: Var(u) = 0chibar2(01) = 772.32Prob chibar2

10、= 0.0000检验得到的P值为0.0000，表明随机效应非常显著。可见，随机效应模型也优于混合OLS模型，至于固定效应模型和随机效应模型何者更佳，则要采用Hausman检验来确定。2) hausman检验。具体步骤为：step1 :估计固定效应模型模型，存储估计结果；step2 :估计随机效应模型，存储估计结果；step3 :进行 Hausman检验qui xtreg mvalue in vest kstock, fe /*step1*/.est store fe.qui xtreg mvalue in vest kstock, re /*step2*/.est store re.hausm

11、a n fe /*step3*/这里qui的作用在于不把估计结果输出到屏幕上，est store的作用在十把估计结果存储到名称为fe的临时性文件中。输出结果为：Coefficie nts |(b)(B)(b-B) sqrt(diag(V_b-V_B)| fe re Differe nee S.E.+in vest | 2.856166 3.113429-.2572636kstock | -.5078673-.578422.0705548.b = con siste nt un der Ho and Ha; obta ined from xtregB = incon siste nt un de

12、r Ha, efficie nt un der Ho; obta ined from xtregTest: Ho: differe nee in coefficie nts not systematicchi2(2) = (b-B)(V_b-V_B)A(-1)(b-B) =2366.62Probchi2 =0.0000(V_b-V_B is not positive defi nite)我们注意到输出结果的最后一行提示说固定效应模型和随机效模型的参数估计方差的差是-个非正定矩阵，因此sqrt(diag(V_b-V_B)一项全为缺失值。这是在进行Hausma n检验过程中经常遇到的问题，有时我们

13、还会得到负的chi2值。产生这些情况的原因可能有多种，但一个主要的原因是我们的模型设定有问题，导致hausman检验的基本假设得不到满足。这时，我们最好先对模型的设定进行分析，看看是否有遗漏变量的问题，或者某些变量是非平稳的等等。在确定模型的设定没有问题的情况再进行检验，如果仍然拒绝原假设或是出现上面的问题，那么我们就认为随机效应模型的基本假设(个体效应与解释变量不相关)得不到满足。此时，需要采用工具变量法或是使用固定效应模型。在本例中，如果抛开 sqrt(diag(V_b-V_B)一项全为缺失值这一问题，从检验的P值为零这一结果来看，随机效应模型的假设无法满足，所以采用同定效应模型是比较合适

14、的。对于采用stata9.0 或以上版本的读者而言，使用Hausman命令中新增的sigmaless和sigmamore两个选项可以大大降低上述chi2值为负的情况出现的次数。着下面的例子：hausma n fe, sigmalessCoefficie nts |(b)(B)(b-B) sqrt(diag(V_b-V_B)| fe reDiffere neeS.E.一+in vest |2.8561663.113429-.2572636.0803747kstock | -.5078673-.578422.0705548.0283398b = con siste nt un der Ho and Ha; obta ined from xtregB = incon siste nt un der Ha, efficie nt un der Ho; obta ined from xtregTest: Ho: differe nee in coefficie nts not systematicchi2(2) = (b-B)(V_b-V_B)A(-1)(b-B)=16.58Probchi2 =0.0003以及

展开阅读全文