动态面板数据与Eviews操作.docx
《动态面板数据与Eviews操作.docx》由会员分享，可在线阅读，更多相关《动态面板数据与Eviews操作.docx（24页珍藏版）》请在冰豆网上搜索。
动态面板数据与Eviews操作
动态面板数据与Eviews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?
）
升级会员 