第15章短面板.docx
《第15章短面板.docx》由会员分享,可在线阅读,更多相关《第15章短面板.docx(22页珍藏版)》请在冰豆网上搜索。
![第15章短面板.docx](https://file1.bdocx.com/fileroot1/2023-6/9/32b72ed9-20fd-44e8-93ff-3c4b1a8a6d51/32b72ed9-20fd-44e8-93ff-3c4b1a8a6d511.gif)
第15章短面板
©陈强,《高级计量经济学及Stata应用》课件,第二版,2014年,高等教育出版社。
第15章短面板
15.1面板数据的特点
面板数据(paneldata或longitudinaldata),指的是在一段时间内跟踪同一组个体(individual)的数据。
它既有横截面的维度(n个个体),又有时间维度(T个时期)。
一个T=3的面板数据结构如表15.1。
表15.1面板数据的结构
y
x1
x2
x3
Individual1:
t=1
Individual1:
t=2
Individual1:
t=3
Individualn:
t=1
Individualn:
t=2
Individualn:
t=3
如果面板数据T较小,而n较大,在使用大样本理论时让n趋于无穷大。
这种面板数据被称为“短面板”(shortpanel)。
反之,如果T较大,而n较小,则被称为“长面板”(longpanel)。
在面板模型中,如果解释变量包含被解释变量的滞后值,则称
为“动态面板”(dynamicpanel);反之,则称为“静态面板”(static
panel)。
如果在面板数据中,每个时期在样本中的个体完全一样,则称为“平衡面板数据”(balancedpanel);反之,则称为“非平衡面板数据”(unbalancedpanel)。
面板数据的优点:
(1)解决遗漏变量问题:
遗漏变量常由不可观测的个体差异或“异质性”(heterogeneity)造成。
如果个体差异“不随时间而改变”(timeinvariant),则面板数据可解决遗漏变量问题。
(2)提供个体动态行为的信息:
例:
考虑区分规模效应与技术进步对企业生产效率的影响。
对于截面数据,没有时间维度,无法观测到技术进步。
对于时间序列,无法区分生产效率的提高究竟有多少由于规模扩大,有多少
由于技术进步。
例:
对于失业问题,截面数据能告诉在某个时点上哪些人失业,时间序列数据能告诉某个人就业与失业的历史,但这两种数据均无法告诉是否失业的总是同一批人(低流转率),还是失业的人群总在变动(高流转率)。
(3)样本容量较大:
同时有截面维度与时间维度,面板数据的样本容量更大,可提高估计精度。
面板数据也会带来问题,比如,数据通常不满足独立同分布的假定,因为同一个体在不同期的扰动项一般存在自相关。
面板数据的收集成本通常较高,不易获得。
15.2面板数据的估计策略
一个极端策略是将其看成是截面数据而进行混合回归(pooledregression),要求样本中每位个体拥有相同的回归方程。
此策略忽略个体间不可观测或被遗漏的异质性(heterogeneity),而该异质性可能与解释变量相关,导致估计不一致。
另一极端策略则是,为每位个体估计一个单独的回归方程。
此策略忽略了个体的共性,可能没有足够大的样本容量。
实践中常采用折衷的估计策略,即假定个体的回归方程拥有相同的斜率,但可有不同的截距项,以此来捕捉异质性。
个体效应模型(individual-specificeffectsmodel)
yit
=xi'tβ
+
zi'δ
+
ui
+
εit
(i=1,,n;t
=1,,T)
zi为不随时间而变(timeinvariant)的个体特征,比如性别;
xit可随个体及时间而变(time-varying);
扰动项由(ui
+
εit)两部分构成,称为“复合扰动项”(compositeerror
term);不可观测的随机变量ui是代表个体异质性的截距项。
εit为随个体与时间而改变的扰动项。
假设{εit}为iid,且与ui不相关。
如果ui与某个解释变量相关,则称为“固定效应模型”(FixedEffectsModel,简记FE)。
此时,OLS不一致。
如果ui与所有解释变量(xit,zi)均不相关,则称为“随机效应模型”
(RandomEffectsModel,简记RE)。
15.3混合回归
如果所有个体拥有一样的回归方程,则方程可写为
yit
=α+
xi'tβ
+
zi'δ
+
εit
xit不包括常数项。
把所有数据放在一起,像对待横截面数据那样进行OLS回归,称为“混合回归”(pooledregression)。
应使用聚类稳健的标准误(cluster-robuststandarderrors),聚类
(cluster)由每位个体不同期的所有观测值所组成。
15.4个体固定效应模型
对于固定效应模型,给定个体i,将方程两边对时间平均:
yi=
xi'β
+
zi'δ
+
ui
+
εi
将原方程减去平均后的方程可得:
yit
-
yi
=(xit
-xi)'β
+
(εit
-εi)
定义yit
≡yit
-
yi,xit
≡xit
-
xi,εit
≡εit
-
εi,则
yit
=xi'tβ
+
εit
上式已将ui消去,只要εit与xit不相关,可用OLS一致地估计β,称为“固定效应估计量”(FixedEffectsEstimator),记为βˆFE。
βˆFE主要使用了每个位体的组内离差信息,也称“组内估计量”
(withinestimator)。
即使个体特征ui与解释变量xit相关,组内估计量也一致。
在作离差转换时,zi'δ也被消掉,无法估计δ,故FE无法估计不随时间而变的变量之影响。
为保证(εit
-
εi)与(xit
-
xi)不相关,要求第i个观测值满足严格外
生性,即E(εit
xi1,,
xiT)=0,因为xi中包含了所有(xi1,,
xiT)的信
息。
扰动项须与各期解释变量均不相关(不仅仅是当期解释变量)。
在原方程中引入(n-1)个虚拟变量(如果没有截距项,则引入n
个虚拟变量)来代表不同的个体,可得到同样结果。
FE也称为“最小二乘虚拟变量模型”(LeastSquareDummyVariableModel,简记LSDV)。
正如线性回归与离差形式的回归在某种意义上是等价的。
比如,
yi=α
+
βxi
+εi⇔
yi-y
=β(xi
-x)+(εi
-ε)
使用LSDV的好处是可以得到个体异质性ui的估计。
LSDV法的缺点是,如果n很大,须在回归方程中引入很多虚拟变量,可能超出计量软件所允许的解释变量个数。
15.5时间固定效应
引入时间固定效应,可解决不随个体而变(individualinvariant)但随时间而变(timevarying)的遗漏变量问题。
假设模型为
yit
=xi'tβ
+
zi'δ
+
γSt
+
ui
+
εit
St不可观测。
定义λt≡γSt,则
yit
=xi'tβ
+
zi'δ
+
λt
+
ui
+
εit
将λt视为第t期独有的截距项,并将其解释为“第t期”对y的效应,故λ1,,λT称为“时间固定效应”(timefixedeffects)。
使用LSDV法来,对每个时期定义一个虚拟变量,把(T-1)个时间虚拟变量包括在回归方程中:
yit
=xi'tβ
+
zi'δ
+γ2D2t
++γTDTt
+
ui
+
εit
其中,时间虚拟变量D2t
以此类推。
=1,如果t=
2;D2t
=0,如果t≠2;
此方程既考虑个体固定效应,又考虑时间固定效应,称为“双向固定效应”(Two-wayFE)。
为节省参数,可引入时间趋势项,替代(T-1)个时间虚拟变量:
yit
=xi'tβ
+
zi'δ
+
γt+ui
+
εit
上式隐含较强假定,即每个时期的时间效应相等,每期均增加γ。
15.6一阶差分法
对于固定效应模型,可对原方程两边进行一阶差分,以消去个体效应ui(同时把zi'δ消掉了),
yit
-
yi,t-1
=(xit
-xi,t-1)'β
+
(εit
-εi,t-1)
对此方程使用OLS,即得到“一阶差分估计量”(FirstDifferencingEstimator),记为βˆFD。
只要(εit
-
εi,t-1)与(xit
-
xi,t-1)不相关,则βˆFD一致。
此一致性条件比严格外生性假定更弱,这是βˆFD的主要优点。
可以证明(参见习题),如果T=2,则βˆFD=βˆFE。
对于T>2,如果{εit}为iid,则βˆFE比βˆFD更有效率,故实践中主要使用βˆFE。
对于动态面板(第16章),严格外生性假定无法满足,用差分法。
15.7随机效应模型
对于方程yit=xi'tβ+zi'δ+ui+εit,随机效应模型假设ui与解释变
量{xit,zi}均不相关,故OLS一致。
但扰动项由(ui
+
εit)组成,不是球型扰动项,故OLS不是最有效
率的,应进行FGLS估计。
假设不同个体之间的扰动项互不相关。
由于ui的存在,同一个体不同时期的扰动项之间仍存在自相关,
⎧σ2,若t≠s
Cov(ui
+
εit,ui
+εis)=⎨u
ο2+σ2,若t=s
⎩uε
ο2为u的方差,σ2为ε的方差。
uiεit
当t≠s时,其自相关系数为
ρ≡Corr(ui
+
εit,
2
σ
σ
iis
u+ε)=u
ε
u
2+σ2
自相关系数不随时间距离(t-s)而改变。
越大,则复合扰动项(ui
+
εit)中个体效应的部分(ui)越重要。
同一个体扰动项的协方差阵为
⎛σ2
+σ2σ2
...
ο2⎫
çuεuu⎪
ο2σ2
+σ2
...σ2
Σ=ç
uuεu⎪
ç⎪
çσ2σ2...σ2+σ2⎪
⎝uuu
ε⎭T⨯T
整个样本的协方差阵为块对角矩阵(blockdiagonalmatrix),
⎛∑0⎫
Ω=ç⎪
ç⎪
ç0∑⎪
⎝⎭nT⨯nT
由于OLS是一致的,且其扰动项为(ui+εit),故可用OLS的残差
来估计(σ2+σ2)。
uε
另一方面,FE也一致,且其扰动项为(εit
ε
来估计σ2。
-εi),故可用FE的残差
然后,用FGLS估计原模型,得到“随机效应估计量”(RandomEffectsEstimator),记为βˆRE。
具体来说,用OLS来估计以下“广义离差”(quasi-demeaned)模型:
yit
-θˆyi
=(xit
-θˆxi)'β
+(1-θˆ)zi'δ
+⎡(1-θˆ)ui+(εit-θˆεi)⎤
⎣⎦
误差项
其中,θˆ是θ
≡1-
u
(Tσ2
σε
ε
+σ2)12
的一致估计量。
可以证明,此扰动项不再有自相关。
对于随机效应模型,如果进一步假设扰动项服从正态分布,可进行MLE估计。
15.8组间估计量
对于随机效应模型,还可使用“组间估计量”。
如果个体数据较不准确,可对每位个体取时间平均值,然后用平均值来回归:
yi=
xi'β
+
zi'δ
+
ui
+
εi
(i=1,,n)
对上式用OLS,可得“组间估计量”(BetweenEstimator),记βˆBE。
由于{xi,
zi}中包含了{xit,
zi}的信息,如果ui与解释变量{xit,
zi}相
关,则βˆBE不一致。
故不能在固定效应模型下使用组间估计法。
15.9拟合优度的度量
在有常数项的情况下,线性模型的R2等于被解释变量y与预测
值yˆ之间相关系数的平方,即R2
=[corr(y,
yˆ)]2。
对于面板模型,如使用混合回归,可直接用混合回归的R2。
如使用固定效应、随机效应或组间回归,拟合优度略复杂。
给定估计量(βˆ,δˆ),Stata提供了以下三种R2。
首先,对应于原模型,称[Corr(y,x'βˆ+z'δˆ)]2为“整体R2”
ititi
(R2overall),衡量估计量(βˆ,δˆ)对原模型的拟合优度。
其次,对应于组内模型,称[Corr(y,x'βˆ)]2为“组内R2”
itit
(R2within),衡量估计量(βˆ,δˆ)对组内模型的拟合优度。
再次,对应于组间模型,称[Corr(y,x'βˆ+z'δˆ)]2为“组间R2”
iii
(R2between),衡量估计量(βˆ,δˆ)对组间模型的拟合优度。
对于固定效应模型,建议使用组内R2,即组内方程的R2。
对于组间回归模型,建议使用组间R2,即组间方程的R2。
对于随机效应模型,这三种R2都只是相应的相关系数平方,而非随机效应方程的R2。
15.10非平衡面板
非平衡面板数据并不影响计算离差形式的组内估计量(withinestimator),固定效应模型的估计可照样进行。
对于随机效应模型而言,非平衡面板数据也没有实质性影响,只要在做广义离差变换时让
θi≡1-
iu
(Tσ2
σε
ε
+σ2)12
其中,Ti为个体i的时间维度,就可照常进行FGLS估计。
非平衡面板的最大问题是,那些原来在样本中但后来丢掉的个
体,如果“丢掉”的原因是内生的(即与扰动项相关),则会导致样本不具有代表性(不再是随机样本),从而导致估计量不一致。
比如,低收入的人群更易从面板数据中丢掉。
15.11究竟该用固定效应还是随机效应模型
检验原假设“H0:
ui与xit,zi不相关”(即随机效应模型为正确模型)。
无论原假设成立与否,FE都是一致的。
如果原假设不成立,则RE不一致。
如果H0成立,则FE与RE估计量将共同收敛于真实的参数值,故
(βˆFE
-
βˆ)−p−→0。
如果二者的差距过大,则倾向于拒绝原假设。
RE
豪斯曼检验(Hausman,1978)的统计量为
ˆˆ'⎡ˆ
ˆ⎤-1ˆˆd2
(βFE
-
βRE)
⎢⎣Var(βFE)-Var(βRE)⎦⎥
(βFE
-βRE)−−→χ
(K)
其中,K为βˆFE的维度。
上述检验假设在H0成立的情况下,βˆRE最有效率。
如果存在异方差,则βˆRE并非最有效率的估计量,故不适用异方差的情形。
解决方法之一,通过自助法计算Var(βˆFE-βˆRE),参见第19章。
解决方法之二,进行以下辅助回归(Wooldridge,2010),
yit
-θˆyi
=(xit
-θˆxi)'β
+(1-θˆ)zi'δ
+
(xit
-xi)'γ
+⎡(1-θˆ)ui
+
(εit
-θˆεi)⎤
使用聚类稳健标准误检验原假设“H0:
γ
的情况下也适用。
⎣⎦
=0”,此检验在异方差
由于总可以把原模型变换为随机效应的方程:
yit
-θˆyi
=(xit
-θˆxi)'β
+(1-θˆ)zi'δ
+⎡(1-θˆ)ui+(εit-θˆεi)⎤
⎣⎦
误差项
故在上面的辅助回归中,γ=0。
如果随机效应模型成立,则OLS一致,故plimγˆ=γ
n→∞
=0。
如果固定效应模型成立,扰动项⎡(1-θˆ)ui+(εit-θˆεi)⎤与(xit
-
xi)
⎣⎦
相关(因为u与x相关),OLS不一致,即plimγˆ
=γ*≠γ
=0。
iit
n→∞
拒绝“H0:
γ
=0”,则意味着拒绝随机效应,接受固定效应。
i
对于非平衡面板,则以θˆ替代方程中的θˆ即可。
15.12个体时间趋势
个体异质性还可能表现为个体的不同时间趋势。
比如,在跨国面板中,各国的经济增长率可能不同。
考虑以下模型:
yit
=xi'tβ
+
zi'δ
+
γit+ui
+
εit
γit为个体时间趋势。
一般将γi视为来自某分布的随机变量(从该分布随机抽出一个观测值后,就不再随时间而变)。
此模型称为“随机趋势模型”(randomtrendmodel)。
如果yit取对数形式(比如lnGDPit),则γi可解释为在给定(xit,
zi)条件
下的平均增长率(即∂E(lnGDPit)/∂t),故也称“随机增长模型”(randomgrowthmodel)。
首先对方程两边做差分,去掉ui:
∆yit
=∆xi'tβ
+
γi
+
∆εit
在形式上,此方程与标准的个体效应模型一样。
如果γi与解释变量∆xit不相关,可用RE估计此方程。
如果γi与解释变量∆xit相关,可用FE或FD估计此方程。