Eviews60面板数据操作_精品文档.doc
《Eviews60面板数据操作_精品文档.doc》由会员分享,可在线阅读,更多相关《Eviews60面板数据操作_精品文档.doc(23页珍藏版)》请在冰豆网上搜索。
Eviews6.0面板数据操作
一、数据输入
1、创建工作文档。
如下图操作,在”workfilecreate”文本框的“workfilestructuretype”选择“balancedpanel”,”panelspecification”的”startdate”和”enddate”输入数据的起止期间,”wf”输入工作文档的名称,点击”OK”即跳出新建的工作文档a界面。
2、创建新对象。
操作如下图。
在”newobject”文本框的”typeofobject”选择”pool”,”nameforobject”输入新对象的名称。
创建成功后的界面如下面第3张图所示。
-
3、输入数据。
双击”workfile”界面的,跳出”pool”界面,输入个体。
一般输入方式为如下:
若上海输入_sh,北京输入_bj,…。
个体输入完成后,点击该界面的键,在跳出的”serieslist”输入变量名称,注意变量后要加问号。
格式如下:
y?
x?
。
点击”OK”后,跳出数据输入界面,如下面第4张图所示。
在这个界面上点击键,即可以输入或者从EXCEL处复制数据。
在输入数据后,记得保存数据。
保存操作如下:
在跳出的“workfilesave”文本框选择“ok”即可,则自动保存到我的文档。
然后在“workfile”界面如下会显示保存路径:
d:
\mydocuments\a.wf1。
若要保存到自己选择的路径下面,则在保存时选择“saveas”,
在跳出的文本框里选择自己要保存的路径以及命名文件名称。
4、单位根检验。
一般回归前要检验面板数据是否存在单位根,以检验数据的平稳性,避免伪回归,或虚假回归,确保估计的有效性。
单位根检验时要分变量检验。
(补充:
网上对面板数据的单位根检验和协整检验存在不同意见,一般认为时间区间较小的面板数据无需进行这两个检验。
)
(1)生成数据组。
如下图操作。
点击”makegroup”后在跳出的”serieslist”里输入要单位根检验的变量,完成后就会跳出如下图3所示的组数据。
(2)生成时序图。
如下图操作。
在”graghoptions”界面的”specifi”下选择生成的时序图的形状,一般都默认设置,生成的时序图如下图3所示。
观察时序图的趋势,以确定单位根检验的检验模式。
(3)单位根检验。
单位根检验时,在”groupunitroottest”里的”testforrootin”按检验结果一步步检验,如果原值”level”的检验结果符合要求,即不存在单位根,则单位根检验就不需要检验下去了,如果不符合要求,则需继续检验一阶差分”1stdifference”、二阶差分”2nddifference”。
”includeintestequation”是检验模式的选择,根据上面时序图的形状来选择。
从上面的时序图可以看出,原值的检验模式应该选择含有截距项和趋势的检验模式,即”includeintestequation”选择”individualinterceptandtrend”。
检验结果如下图3所示。
从检验结果可以看出,检验结果除了levin检验方法外其他方法的结果都不符合要求(Prob.xx小于置信度(如0.05),则认为拒绝单位根的原假设,通过检验)。
所以继续检验一阶差分和二阶差分,直到检验结果达到要求。
如果变量原值序列通过单位根检验,则称变量为0阶单整;如果变量一阶差分后的序列通过单位根检验,则称变量为一阶单整,以此推之。
注意:
单位根检验的方法(testtype)较多,可以使用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher这5种方法进行面板单位根检验。
一般,为了方便起见,只采用相同根单位根检验LLC和不同根单位根检验Fisher-ADF这两种检验方法,如果它们都拒绝存在单位根的原假设,则可以认为此序列是平稳的,反之就是非平稳的。
5、协整检验。
协整检验检验的是模型的变量之间是否存在长期稳定的关系,其前提是解释变量和被解释变量在单位根检验时为同阶单整。
操作如下图所示。
6、回归估计
面板数据模型根据常数项和系数向量是否为常数,分为3种类型:
混合回归模型(都为常数)、变截距模型(系数项为常数)和变系数模型(皆非常数)。
混合模型:
变截距模型:
变系数模型:
判断一个面板数据究竟属于哪种模型,用F统计统计量:
来检验以下两个假设:
,。
其中,、、分别为变系数模型、变截距模型和混合模型的残差平方和,K为解释变量的个数,N为截面个体数量,为常数项,为系数向量。
若计算得到的统计量的值小于给定显著性水平下的相应临界值,则接受假设,用混合模型拟合样本。
反之,则需用检验假设,如果计算得到的值小于给定显著性水平下的相应临界值,则认为接受假设,用变截距模型拟合,否则用变系数模型拟合。
具体操作:
1)、分别对面板数据进行3种类型模型的回归,得到、、。
此外,一般来说,用样本数据推断总体效应,应用随机效应回归模型;直接对样本数据进行分析,采用固定效应回归模型。
首先回到面板数据表,如果是在如下这个界面时,
点击按钮,在跳出的“serieslist”文本框里输入模型变量,如下图。
也可以通过重新打开工作文件,如下图操作。
选择自己当初保存的路径和文件名,点击打开。
打开后,跳出工作文件
双击,
然后分别进行变系数、变截距和混合模型的回归估计:
点击,进行变系数回归
(变系数)
变截距回归
混合模型估计
前面同2)操作,在“poolestimation”输入如下
2)、确定模型形式
把模型估计取得的s1、s2、s3数值代入前述公式(第13页),如下
计算得到F1、F2值,检验假设H1、H2,从而确定采用何种模型形式(变系数、变截距、混合效应)。
3)、回归分析
若检验结果表明应采用变系数模型,回到以下界面进行估计
点击,进行变系数回归
上图列示了回归结果,其中:
①Coefficient为系数,比如AH的系数为0.760053,截距项为477.4820-315.8649
②t-Statistic为t值,检验每一个自变量的合理性。
|t|大于临界值表示可拒绝系数为0的假设,即系数合理。
Prob为系数的概率,若其小于置信度(如0.05)则表明|t|大于临界值,即认为系数合理。
从结果可以看出,本例中系数合理。
③R-squared为样本决定系数,表示总离差平方和中由回归方程可以解释部分的比例,比例越大说明回归方程可以解释的部分越多。
值为0-1,越接近1表示拟合越好,>0.8认为可以接受,但是R2随因变量的增多而增大,所以可以通过增加自变量的个数来提高模型的R-squared。
本例中R-squared0.995382,接近1,拟合度相当好。
AdjustR-seqaured为修正的R-squared,与R-squared有相似意义。
④F-statistic表示模型拟合样本的效果,即选择的所有自变量对因变量的解释力度。
F大于临界值则说明拒绝0假设。
若Prob(F-statistic)小于置信度(如0.05)则说明F大于临界值,方程显著性明显。
本例中Prob(F-statistic)为0.000000,模型方程显著。
⑤Durbin-Watsonstat:
检验残差序列的自相关性。
其值在0-4之间。
_01
_02
_03
_04
_05
_06
_07
_08
_09
_10
_11
_12
_13
_14
_15
_16
_17
_18
_19
_20
_21
_22
_23
_24
_25
_26
_27
_28
_29
_30
_31
_32
_33
_34
w?
trade?
ex?
im?
pr?
mo?
rc?
tech?
dex?
dim?
log(ex?
)log(im?
)log(pr?
)log(mo?
)rc?
log(tech?
)