Panel Data模型EViews操作过程(2013).doc

Panel Data模型的EViews操作过程

两种模式：
Ⅰ. 关于Panel工作文件；
Ⅱ. 关于Pool对象。

数据的预处理
1.在EXCEL文件中，将每个变量各年的原始数据按照年份顺序排成一列，称之为堆积数据（见表“汇总0”）。
2．输入截面单元的标识（表示地区的符号，前面加_；如：_HB、_NMG等）。
3．将数据表按照时间分类（即排序，见表“汇总”）。

Ⅰ. 关于Panel工作文件的操作过程
案例1：我国农村居民消费函数（2000-2010年，27个省市数据，工作文件：NXF）
一、输入数据
1、创建Panel工作文件
选择File / New / Workfile，在出现的创建工作文件对话框中：
（1）在文件结构类型中，选择“平衡面板（Balanced Panel）”；
（2）输入起始、终止期，截面单元个数。

工作文件中将生成分别表示截面标识和时期标识的两个序列：
Crossid — 截面标识
dateid — 时期标识

2．更改截面标识（可以省略）
序列crossid中是以数字1、2、…标记截面标识，为了便于区分，可以重新定义一个字符串序列。
（1）点击object / New object，选择series Alpha并输入序列名（设为dq）；
（2）双击dq序列，在打开的序列窗口中粘贴截面标识的字符串序列；
（3）双击工作文件窗口中的Range，在弹出的对话框中，将截面标识的的ID序列改成新的标识序列：dq

3．输入数据
键入命令：DATA Y X，然后用复制+粘贴方式从Excel文件中将各个变量的堆积数据（注意：数据事先要按照截面单元堆积，本例中是按照“地区”）复制到工作文件之中；此时工作文件中各个变量都是堆积数据。
二、模型估计过程
1．估计混合模型
直接在命令窗口键入命令：LS Y C X
2．估计变截距模型
在方程窗口中点击Estimate按钮，在弹出的方程描述框中选择Panel Options选项卡，此时可以在截面和时期列表中选择None、Fixed、Random，用来选择单因素（或双因素）固定效应、随机效应变截距模型；同时可以选择GMM、GLS、SUR等估计方法。
个体-时期
固定效应
个体固定效应

个体-时期
随机效应
个体固定效应时期随机效应

双因素
固定效应模型

模型估计结果中只显示解释变量的参数估计值，截距项的估计结果要在View\Fixed/Random Effects中显示。
三、 Panel Data模型的检验过程
1．检验是单因素或双因素或混合模型
（1）估计固定效应双因素模型；
（2）在方程窗口中选择View\Fixed/Random Effects Testing/Redundant Fixed Effect，检验固定效应“冗余”假设是否成立。

同时存在个体效应和时间效应

2．检验是随机效应或固定效应。
（1）估计（双因素）随机效应模型；
（2）在方程窗口中选择：
View\Fixed/Random Effects Testing/Correlate Random Effects，进行Hausman检验。
时期固定效应
个体随机效应

所以模型是双因素模型——同时存在着个体效应和时间效应；其中个体随机效应，时期固定效应。估计结果为：

Ⅱ. 关于Pool对象的操作过程
案例2（来源：格林《经济计量分析》，工作文件：10_1）
时期：1935-1954年；
截面单元：5家企业
GM：通用汽车公司、CH：克莱斯勒公司、GE：通用电器公司、WE：西屋公司
US：美国钢铁公司
3个变量：
I ：总投资
M ：前一年企业的市场价值（反映企业的预期利润）
K ：前一年末工厂存货和设备的价值（反映企业必要重置投资期望值）

内容：
一、 建立包含Pool对象的工作文件
二、 Pool对象中的数据处理
三、 模型估计过程
四、 模型检验过程

一、在工作文件中创建Pool对象
1、创建工作文件（年度数据）
2、创建Pool对象
点击Objects / New Object，选择Pool对象，在弹出的窗口中输入各个截面单元的识别标识（习惯上加上前缀“_”）：
输入截面单元标识

二、Pool对象中的数据处理
1．输入数据
输入方式：键盘输入、文件导入、复制+粘贴（适用于堆积数据）
（1）双击Pool对象，点击View/Spreadsheet（stacked data），系统要求输入序列名列表：
输入序列名，并且加后缀？

（2）输入数据：
输入Pool变量名，点击OK后，出现数据窗口：
进入输入/编辑状态
根据原始数据表的数据排列格式转换堆积数据的排列方式：
按截面单元 / 时期

输入数据的步骤为：
l 事先将Excel中的数据整理成堆积数据，每个变量一列数据；
l 根据Excel表中数据的排列形式，转换EViews中数据的排列方式
——按截面单元 / 时期顺序堆积数据（这比Panel的要求灵活）；
l 利用复制+粘贴的方式，将Excel表中的数据复制到Pool对象中。

2．生成序列
点击Pool工具栏的Poolgenr按钮，或者选择Proc\Generate Pool Series，在弹出的对话框中输入定义新序列的有关公式（例如，生成Kt-1）

3．描述统计
在Pool窗口中选择View/Descriptive Statistics…，并在对话框中输入变量名，将会输出每个变量的有关描述统计量。

说明：
堆积数据（Stacked data）: 计算每个变量（关于所有截面单元，所有时期）的描述统计量。
去掉均值的堆积数据（Stacked-means removed）: 计算除去截面平均值之后的描述统计量。
截面变量（Cross-section specific）: 计算每个变量关于截面的描述统计量。
时期变量（Time period specific）: 计算每个变量关于时期的描述统计量。
关于变量（堆积数据）

关于变量截面数据
（所有时期）

三、 模型估计过程
1．点击Pool工具栏的Estimate按钮，将弹出模型估计对话框：
估计方法

2．可以估计的模型形式：
模型类型
Fixed and Random
Regressors
cross
period
common
cross
period
1
混合模型
None
None
X?

2
个体固定效应变截矩
Fixed
None
X?

3
时间固定效应变截矩
None
Fixed
X?

4
个体随机效应变截矩
Random
None
X?

5
时间随机效应变截矩
None
Random
X?

6
个体固定效应变系数
Fixed
None

X?

7
时间固定效应变系数
None
Fixed

X?
8
个体随机效应变系数
Random
None

X?

9
时间随机效应变系数
None
Random

X?
10
双因素固定效应变截矩
Fixed
Fixed
X?

11
双因素随机效应变截矩
Random
Random
X?

12
双因素随机效应变系数
Random
Random

X?
X?
说明：随机效应变系数模型对样本容量有要求。

输入解释变量，并确定效应作用是否变参数：
l 常参数
l 截面变参数
l 时间变参数

可选项：None、Fixed、Random
用于确定效应的具体形式：
l 无效应、单因素、双因素
l 固定效应、随机效应

Hausman检验
输入被解释变量

3．估计方法的选择
当模型个体（或时期）方程的随机误差项之间同方差、且不存在同期相关时，系统默认的估计方法是OLS；否则，需要采用GLS估计或SUR估计（似乎不相关估计）。
类型
估计方法
1
同方差、且不存在同期相关
OLS（No Weights）
2
个体方程存在异方差，但不存在同期相关
GLS（cross-section weights）
3
个体方程之间存在同期相关
SUR（cross-section SUR）
4
时期方程存在异方差，但不存在同期相关
GLS（period weights）
5
时期方程之间存在同期相关
SUR（period SUR）
6
随机误差项与解释变量相关
TSLS

四、模型检验过程——类型识别检验
1．检验是单因素或双因素或混合模型（异质性检验）
（1）估计双因素固定效应模型；
（2）在方程窗口中选择View\Fixed/Random Effects Testing/Redundant Fixed Effect，检验是否存在“冗余”效应。
不存在时间效应
存在个体效应

2．随机效应模型与固定效应模型
1．建立随机效应模型（双因素或单因素，本例是随机个体效应）
2．进行Hausman 检验
H0:模型是随机效应模型；由于p > 0.05，所以接受H0，认为模型是随机效应模型。

3．固定效应变截矩模型与变系数模型
将固定效应变截矩模型与变系数模型进行比较，检验约束假设是否成立。具体步骤：
（1）估计变截矩模型和变系数模型，得到约束回归残差平方和RSSE和无约束回归残差平方和USSE；

（2）利用F统计量检验假设：

（3）若F>Fα，则拒绝原假设，模型是变系数模型；F<Fα时，模型是变截矩模型。
本例中，N=5，T=20，k=2，RSSE=444288，USSE=339122；所以，

利用EViews中函数@QFDIST(d,n1,n2)，其中，可以求得：
< F；所以，拒绝原假设，模型是变系数模型。

4．异方差与同期相关检验
当模型个体（或时期）方程的随机误差项之间异方差、或者存在同期相关时，需要采用GLS估计或SUR估计（似乎不相关估计）。
在估计的模型窗口，选择View \ Residuals \ covariance Matrix，或者correlation Matrix，可以检验是否存在异方差和相关性。

- 15 -