Eviews数据统计与分析教程12章 面板数据(Panel Data)模型
计量经济面板数据模型及EVIEWs软件的实现
面板数据模型的分析及Eviews实现一、面板数据和模型概述在经济学研究和实际应用中，我们经常需要同时分析和比较横截面观察值和时间序列观察值结合起来的数据，即：数据集中的变量同时含有横截面和时间序列的信息。
这种数据被称为面板数据(panel data)，它与我们以前分析过的纯粹的横截面数据和时间序列数据有着不同的特点。
简单地讲，面板数据因同时含有时间序列数据和截面数据，所以其统计质既带有时间序列的性质，又包含一定的横截面特点。
因而，以往采用的计量模型和估计方法就需要有所调整。
例1 表1中展示的数据就是一个面板数据的例子。
其他类似的例子还有：历次人口普查中有关不同年龄段的受教育状况；同行业不同公司在不同时间节点上的产值等。
这里，不同的年龄段和公司代表不同的截面，而不同时间节点数据反映了数据的时间序列性。
研究和分析面板数据的模型被称为面板数据模型（panel data model）。
它的变量取值都带有时间序列和横截面的两重性。
一般的线性模型只单独处理横截面数据或时间序列数据，而不能同时分析和对比它们。
面板数据模型，相对于一般的线性回归模型，其长处在于它既考虑到了横截面数据存在的共性，又能分析模型中横截面因素的个体特殊效应。
当然，我们也可以将横截面数据简单地堆积起来用回归模型来处理，但这样做就丧失了分析个体特殊效应的机会。
二、一般面板数据模型介绍 符号介绍：ity ——因变量在横截面i 和时间t 上的数值；j it x ——第j 个解释变量在横截面i 和时间t 上的数值；假设：有K 个解释变量，即K j ,,2,1 =；有N 个横截面，即N i ,,2,1 =； 时间指标T t ,,2,1 =。
记第i 个横截面的数据为⎪⎪⎪⎪⎪⎭⎫⎝⎛=iT i i i y y y y21； ⎪⎪⎪⎪⎪⎭⎫⎝⎛=K iT iT iT Ki i i K i i i i x x x x x x x x x X 212221212111；⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=iT i i i μμμμ 21 其中对应的i μ是横截面i 和时间t 时随机误差项。
面板数据模型 计量经济学 EVIEWS建模课件
⑶当使用一个Pool序列名时，EViews认为将 准备使用Pool序列中的所有序列。EViews会自动 循环查找所有截面识别名称，并用识别名称来替 代“？”。然后会按指令使用这些替代后的名称 了。Pool序列必须通过Pool对象来定义，因为如 果没有截面识别名称，占位符“？”就没有意义。
使用基本名和截面识别名称组合命名。截面 识别名称可以放在序列名中的任意位置，只要保 持一致即可。例如:GDP_JPN,GDP_USA,GDP_UK等; 其中“GDP”作为序列的基本名。
⑴通过View/Cross-Section Identifiers或选 择工具条的Define按钮，可以显示Pool中的截面成 员识别名称，并可以对其进行编辑。
⑵通过sheet按钮定义一组序列名, 序列名是 由基本名和所有截面识别名构成的。在Pool中的关 键是序列命名： 各序列名的命名规则可以使用基 本名和“？”占位符构成，其中“？”代表截面识 别名。如序列名为GDPJPN，GDPUSA，GDPUK，相应 的Pool序列命名时就要输入GDP?。如果序列名为 JPNGDP，USAGDP，UKGDP，则为 ?GDP。
⑴通过确定工作文件样本来指定堆积数据表中 要包含哪些时间序列观测值。
⑵打开Pool，选择View/Spreadsheet(stacked data)，EViews会要求输入序列名列表，可以输入 普 通 序 列 名 或 Pool 序 列 名 。 如 果 是 已 有 序 列 ， EViews 会 显 示 序 列 数 据 ； 如 果 这 个 序 列 不 存 在 ， EViews会使用已说明的Pool序列的截面成员识别名 称建立新序列或序列组。
⒉ 堆积数据 选择View/Spreadsheet(stacked data)， EViews会要求输入序列名列表。
Eviews统计第十二章
Eviews 统计分析 从入门到精通 三、混合横截面模型
如果我们认为一个面板数据在时间和截面个体之间均无显著性 差异，那么就可以直接把面板数据混合在一起用普通最小二乘 法（OLS）估计参数，这样的模型就是混合横截面模型，如公 式12-5所示。
yit i xit vit
i 1 k
（2）在Test type下拉列 表框中选择Summary选 项，Test for unit root in 选择组中选择level单选按 钮，Include in test eqution选项组中选择 Individual intercept，其 他选项选择默认设置。
i 1 k
12 2
其中，i = 1, 2, …, N表示个体成员，t = 1, 2, …, T代表时间跨度。
Eviews 统计分析 从入门到精通
模型中不随时间变化的非观测效应与误差项相关。均值截距项在不 同的截面成员时间是相同的，代表截面个体成员截距项，表示个体成员 的截距对整体截距的偏离。 对于固定效应模型，通常的处理方法是准差分处理后使用OLS估计 方法或使用最小二乘虚拟变量法（LSDV）进行估计；如果其误差项不 满足满足相互独立和同方差假定，则需要使用GLS进行估计。
Eviews 统计分析 从入门到精通
案例12.2
Eviews 统计分析 从入门到精通
设置要点 （1）在Depandent Variable输入框 中输入待模型的被解释变量 （2）在 Regressors and AR terms 选项组下的Cross-section specifics输入框中输入解释变量 名称。 （3）选择估计形式。
ˆ ˆ ) 1 ( ˆ ˆ )12 4 W ( w GLS w GLS
eviews面板数据模型详解
1.已知 1996—2002年中国东北、 华北、华东 15 个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板 数据（ panel data ）工作文件；（ 2）定义序列名并输入数据； （ 3）估计选择面板 模型；（ 4）面板单位根检验。
年人均消费（con sume ）和人均收入（in come ）数据以及消费者价格指数（p ）分别见表 9.1， 9.2 和 9.3。
表 9.1 1996— 2002 年中国东北、华北、华东 15 个省级地区的居民家庭人均消费（元）数据人均消费1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607.43 3693.55 3777.41 3901.81 4232.98 4517.65 4736.52 CONSUMEBJ 5729.52 6531.81 6970.83 7498.48 8493.49 8922.72 10284.6 CONSUMEFJ 4248.47 4935.95 5181.45 5266.69 5638.74 6015.11 6631.68 CONSUMEHB3424.354003.71 3834.43 4026.3 4348.47 4479.75 5069.28 CONSUMEHLJ 3110.92 3213.42 3303.15 3481.74 3824.44 4192.36 4462.08 CONSUMEJL 3037.32 3408.03 3449.74 3661.68 4020.87 4337.22 4973.88 CONSUMEJS 4057.5 4533.57 4889.43 5010.91 5323.18 5532.74 6042.6 CONSUMEJX 2942.11 3199.61 3266.81 3482.33 3623.56 3894.51 4549.32 CONSUMELN3493.023719.91 3890.74 3989.93 4356.06 4654.42 5342.64 CONSUMENMG 2767.84 3032.3 3105.74 3468.99 3927.75 4195.62 4859.88 CONSUMESD 3770.99 4040.63 4143.96 4515.05 5022 5252.41 5596.32 CONSUMESH 6763.12 6819.94 6866.41 8247.69 8868.19 9336.1 10464 CONSUMESX 3035.59 3228.71 3267.7 3492.98 3941.87 4123.01 4710.96 CONSUMETJ 4679.61 5204.15 5471.01 5851.53 6121.04 6987.22 7191.96 CONSUMEZJ5764.276170.146217.936521.547020.227952.398713.08人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512.77 4599.27 4770.47 5064.6 5293.55 5668.86032.4INCOMEBJ 7332.01 7813.16 8471.98 9182.76 10349.69 11577.78 12463.92 INCOMEFJ 5172.93 6143.64 6485.63 6859.81 7432.26 8313.08 9189.36 INCOMEHB 4442.81 4958.67 5084.64 5365.03 5661.16 5984.82 6679.68 INCOMEHLJ 3768.31 4090.72 4268.5 4595.14 4912.88 5425.87 6100.56 INCOMEJL 3805.53 4190.58 4206.64 4480.01 4810 5340.46 6260.16 INCOMEJS 5185.79 5765.2 6017.85 6538.2 6800.23 7375.1 8177.64 INCOMEJX 3780.2 4071.32 4251.42 4720.58 5103.58 5506.02 6335.64 INCOMELN 4207.23 4518.1 4617.24 4898.61 5357.79 5797.01 6524.52 INCOMENMG3431.81 3944.67 4353.02 4770.53 5129.05 5535.89 6051 INCOMESD 4890.28 5190.79 5380.08 5808.96 6489.97 7101.08 7614.36 INCOMESH 8178.48 8438.89 8773.1 10931.64 11718.01 12883.46 13249.8 INCOMESX 3702.69 3989.92 4098.73 4342.61 4724.11 5391.05 6234.36 INCOMETJ 5967.71 6608.39 7110.54 7649.83 8140.5 8958.7 9337.56 INCOMEZJ 6955.797358.727836.768427.959279.1610464.6711715.615 个省级地区的居民家庭人均收入（元）数据表 9.2 1996— 2002 年中国东北、华北、华东< >\ Uinni«d X NewPage -/ 程如下:表9.3 1996 — 2002年中国东北、华北、华东物价指数1996 1997 1998 1999 2000 2001 2002 PAH 109.9 101.3 100 97.8 100.7 100.5 99 PBJ 111.6 105.3 102.4 100.6 103.5 103.1 98.2 PFJ 105.9 101.7 99.7 99.1 102.1 98.7 99.5 PHB 107.1 103.598.4 98.1 99.7 100.5 99 PHLJ 107.1 104.4 100.4 96.8 98.3 100.8 99.3 PJL 107.2 103.7 99.2 98 98.6 101.3 99.5 PJS 109.3 101.7 99.4 98.7 100.1 100.8 99.2 PJX 108.4 102 101 98.6 100.3 99.5 100.1 PLN 107.9 103.1 99.3 98.6 99.9 100 98.9PNMG 107.6 104.5 99.3 99.8 101.3 100.6100.2PSD 109.6 102.8 99.4 99.3 100.2 101.8 99.3 PSH 109.2 102.8 100 101.5 102.5 100 100.5 PSX 107.9 103.1 98.6 99.6 103.9 99.8 98.4 PTJ109 103.1 99.5 98.9 99.6 101.2 99.6 PZJ107.9102.899.798.810199.899.1（1）建立面板数据工作文件首先建立工作文件Tetcli from DB .Update sslectei from DB... Stor* selected to DB... Copy.s^lectedL . selectelFrijit Selected15个省级地区的消费者物价指数Ssntple: E c 回 r@sidGenerate Series. BDisplay Filter *New Obj set...建立面板数据库在窗口中输入15个不同省级地区的标识AH BJ FJHB HLJJL JS JX LNNMG SD SH sx TJ ZJI(2)定义序列名并输入数据产生3*15个尚未输入数据的变量名。
EVIEWS面板数据分析操作教程及实例解析
模型选择对分析结果影响
模型适用性
根据研究目的和数据特征选择合 适的面板数据模型，如固定效应 模型、随机效应模型等。
模型假设
确保所选模型满足基本假设，如 线性关系、误差项独立同分布等 ，否则可能导致结果不准确。
模型比较与选择
通过比较不同模型的拟合优度、 参数显著性等指标，选择最优模 型进行分析。
操作规范性与结果可靠性保障措施
操作步骤规范
结果验证与解读
对分析结果进行验证，确保结果的合理性和准确性 ；同时，正确解读分析结果，避免误导读者。
严格按照EVIEWS软件的操作步骤进行分析 ，避免操作失误或遗漏关键步骤。
数据分析报告
编写详细的数据分析报告，包括数据来源、 处理方法、模型选择、分析结果及解读等， 以便读者全面了解分析过程。
方和来估计模型参数。
广义最小二乘法（GLS）
02
当存在异方差性或自相关性时，采用广义最小二乘法进行参数
估计，以提高估计效率。
最大似然法（ML）
03
适用于随机效应模型等复杂面板数据模型，通过最大化似然函
数来估计模型参数。
模型诊断与检验
残差分析
检查残差是否满足独立同分布等假设条件， 以评估模型的拟合效果。
07 EVIEWS面板数 据分析操作注意 事项
数据质量对分析结果影响
数据来源
确保数据来自可靠、权威的来源，避免使用不准确或存在偏见的数 据。
数据完整性
检查数据是否存在缺失值、异常值或重复值，这些问题可能导致分 析结果失真。
数据处理
对数据进行适当的预处理，如清洗、转换和标准化，以提高数据质量 和一致性。
增强了解决实际问题的能力
通过实例解析和操作演示，学员们学会了如何运用所学知识解决实际问题，提高了分析 问题和解决问题的能力。
Eviews面板数据模型估计
4361.555
3890.580 4077.961 5317.862 3612.722 4360.420 3877.345 5011.976 8651.893 3793.908 6145.622
4457.463
4159.087 4281.560 5488.829 3914.080 4654.420 4170.596 5159.538 9336.100 4131.273 6904.368
4571.439 6624.316 4787.606 4968.164 4780.090
4997.843
4878.296 6793.437 5088.315 5363.153 5063.228
5382.808
5271.925 7316.567 5533.688 5797.010 5502.873
6143.565
建立好Pool对象以后，选择View/Spreadsheet （stacked data），EViews会要求输入序列名列表。
大多数情况下，不同截面成员的数据从上到下依次堆积，每一 列代表一个变量,每一列内数据都是按年排列的。如果数据按年排 列，要确保各年内截面成员的排列顺序要一致。
生成新的序列
• 打开原始pool数据，点击工具栏中的poolgenr键，在 弹出的对话框中输入要生成的公式，如： cp?=consume?/p?,ip?=income?/p?
4.如何估计Pool方程
单击Pool工具栏的Estimate选项打开如下对话框：
（1）因变量 在因变量对话框中输入Pool变量或Pool变量表达式。 （2）估计方法 Fixed and Random下： Cross-secti（个体效应）有三个选项，分别表示无、固定和随机个 体效应。 Period（时点效应）有三个选项，分别表示无、有固定和有随机时 点效应。 Weights有五个选项，分别表示无加权、个体的GLS法、个体SUR法、 时点GLS法和时点SUR法。 （3）估计设置 Method有两个选项：LS和TSLS Sample为样本区间。
Panel data简介
Panel data 简介及其在eviews 中的应用武汉大学经济学系数量经济学教研室《实践教改项目组》编制面板数据（panel data ）回归模型与规则的时间序列或截面数据回归模型的区别在于其变量有两个下标，它同时使用截面数据和时间序列数据。
一、panel data 的优点面板数据相对于时间序列数据或截面数据的优点：1．能提供给研究者大量的数据点，这样可以增加自由度并减少解释变量间的共线性，从而改进计量经济估计的有效性。
为了估计模型参数，样本点越多越好。
样本点越多，估计的结果有效性越好，当样本点足够多时，估计结果可以视为具有一致性； 2． 面板数据模型可以从多层面分析经济问题。
3． 与时间序列数据或截面数据相比，面板数据能够更好的进行识别并控制和检验更复杂的行为模型。
二、模型的基本结构和分类面板数据回归模型的主要结构如下：T t N i u a X y it it it ,,2,1,,,2,1,/==++=β （1）其中，i 表示截面维度，可以表示家庭，个人，公司，国家等等；t 表示时间序列维度，是面板数据所研究的时间区间；it X 为解释变量，β为1⨯K 维向量，K 为解释变量的个数，β是斜率，a 是截距。
模型的矩阵形式为：11221111111121111111221111111111⨯⨯⨯⨯⨯⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛+⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛''''''+⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛NT NT N T T k NT NT N T T NT NT NT N T T u u u u u u X X X X X X y y y y y y βα 其中()k t t itX X X ,11,1,''=' 众所周知，随机误差项it u 包含了模型解释变量所不能解释的所有其它因素，并且it u 满足一些经典假设，这些假设是我们估计模型参数的基础。
eviews面板数据模型分析——面板数据模型与应用
2.2 固定效应模型（fixed effects model） 。
解释设定个体固定效应模型的原因。假定有面板数据模型 yit = 0 + 1 xit +2 zi +it, i = 1, 2, …, N; t = 1, 2, …, T 其中0 为常数， 不随时间、 截面变化；每个个体回归函数的斜率1 相同； zi 表示随个体变化，但不随时间变化的难以观测的变量。上述模型可以 被解释为含有 N 个截距，即每个个体都对应一个不同截距的模型。令 i = 0 +2 zi，于是变为 yit = i + 1 xit +it, i = 1, 2, …, N; t = 1, 2, …, T 以家庭消费性支出与可支配收入关系为例， 省家庭平均人口数就是这样 的一个变量，即对于短期面板，这是一个基本不随时间变化的量，但是 对于不同的省份，这个变量的值是不同的。 因为 zi 是不随时间变化的量， 所以当对个体固定效应模型中的变量进行 差分时，可以剔除那些随个体变化，但不随时间变化的 zi 的影响。
yit = i + Xit ' +it, i = 1, 2, …, N; t = 1, 2, …, T
其中i是随机变量，表示对于i个个体有i个不同的截距项，且其变化与Xit 有关系；Xit为k 1阶回归变量列向量（包括k个回归量），为k 1阶回归 系数列向量，对于不同个体回归系数相同，yit为被回归变量（标量），it 为误差项（标量），则称此模型为个体固定效应模型。
2.2 固定效应模型（fixed effects model） 。
个体固定效应模型的强假定条件是， E(iti, Xit) = 0, i = 1, 2, …, N
i 作为随机变量描述不同个体建立的模型间的差异。 因为i 是不可观测
Eviews：面板数据模型
3个变量：
要创建Pool对象，选择Objects/New Object/Pool…并在编 辑窗口中输入截面成员的识别名称：
对截面成员的识别名称没有特别要求，但必须能使用这 些识别名称建立合法的EViews序列名称。此处推荐在每个识
别名中使用“_”字符，它不是必须的，但把它作为序列名的
一部分，可以很容易找到识别名称。
指标）信息的数据结构称为时间序列/截面数据，有的书 中也称为平行数据或面板数据（ panel data ）。我们也 称这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。
经典线性计量经济学模型在分析时只利用了时间序列/截 面数据中的某些二维数据信息，例如使用若干经济指标的时间 序列建模或利用横截面数据建模。然而，在实际经济分析中， 这种仅利用二维信息的模型在很多时候往往不能满足人们分析 问题的需要。例如，在生产函数分析中，仅利用横截面数据只 能对规模经济进行分析，仅利用混有规模经济和技术革新信息 的时间序列数据只有在假设规模收益不变的条件下才能实现技 术革新的分析，而利用时间序列/截面数据可以同时分析企业 的规模经济（选择同一时期的不同规模的企业数据作为样本观 测值）和技术革新（选择同一企业的不同时期的数据作为样本 观测值），可以实现规模经济和技术革新的综合分析。 时间序列/截面数据含有横截面、时间和指标三维信息， 利用时间序列/截面数据模型可以构造和检验比以往单独使用 横截面数据或时间序列数据更为真实的行为方程，可以进行更 加深入的分析。正是基于实际经济分析的需要，作为非经典计 量经济学问题，同时利用横截面和时间序列数据的模型已经成 为近年来计量经济学理论方法的重要发展之一。
(一)创建Pool对象 在本讲中，使用的是一个研究投资需求的例子值的时间序列：
面板数据模型 计量经济学 EVIEWS建模课件
三、 Pool数据的统计处理 ㈠一般描述统计
在 Pool 中 选 View/ Descriptive Statistics ， 有如下话框：
堆积数据
堆积-截 面均值后 的数据
(3)截面成员变量(Cross-section specific): 计算每个截面变量所有时期的描述统计量。是通过 对各单独序列计算统计量而得到的。
(4)时期变量(Time period specific): 计算时 期特性描述统计量。对每一时期，使用pool中所有 截面成员的变量数据计算的统计量。
利用面板数据，采用不同的限制性假设，会 得到不同的面板数据回归计量模型。
㈠面板数据模型的一般形式
在面板数据中，我们设有N个成员，T个时期， 则以i表示截面，以t表示时间；且β0表示截距项 向量，β为回归系数向量。则一般模型形式为：
Yit = β0 + Xitβ + εit 其中Yit是分块被解释变量列向量，xit是解释变量 分块矩阵；β0和分别是对应于N和T的截距和斜 率的参数分块列向量； εit是残差分块列向量。
可以 把时期特 性统计量 存储为序 列对象。
㈢ 其它数据处理方法
⒈生成数据 ⑴可以使用PoolGenr(panelgenr)程序生成或 者修改Pool序列。即点击Pool工具栏的Poolgenr 并输入要生成的方程式，例如输入：r?=I?/I_US, 相当于输入下面五个命令：r_CM = I_CM/I_US； r_CH = I_CH/I_US；r_GE = I_GE/I_US；r_WE = I_WE/I_US；r_US = I_US/I_US。PoolGenr按照输 入的方程在各截面成员间进行循环计算，生成新 的序列或修改已有序列。 ⑵可联合使用PoolGenr和Genr生成新的变量。
计量学教程及eviews实现面板数据模型的分析
二、一般面板数据模型介绍
符 号 介 绍 ： yit — — 因 变 量 在 横 截 面 i 和 时 间 t 上 的 数 值 ；
x
j it
——第 j 个解释变量在横截面 i 和时间 t 上的数值；
假设：有 K 个解释变量，即 j 1,2,, K ；
有 N 个横截面，即i 1,2,, N ；
时间指标 t 1,2,,T 。
ˆ
2 ˆ w
s 2 ( X P D X ) 1
s2
ˆ
2 ˆ
i
s2 T
X iˆ ˆw X i
其中 是对误差项方差的估计量：
( y it ˆ i x it ˆ w ) 2
s2 i t
NT ቤተ መጻሕፍቲ ባይዱN K
注意：在对误差项方差的估计量中，分母（NT-N-K）反映了整个
模型的自由度。有了这些方差的估计量，就可以用传统的t-统计量 对估计系数的显著性进行检验。同时，还可以运用下列F-统计量对
;
(7
)
2
E
(
2 i
),
i
。
给定这些假设，随机效应面板数据模型也可同样写为：
其中
(In
i )
y=X β +μ
， α 的 向 量 形 式 与 以 前 相 同 。
是 Kronecker 乘法 符 号。
例 2 Kronecker 乘 法 ：
I2
i 21
i
21
0
0 i 21
例 3 前 面 的 矩 阵 D 也 可 用 Kronecker 乘 法 表 示 ： D I N iT 1
记第 i 个横截面的数据为
yi1
yi
yi2
金融计量经济第四讲面板数据(PanelData)模型
• 因为是面板数据，涉及截面与时间，与一般的单方 程模型有所不同。模型(4. 1)实际上代表几种情形。 常用的有如下三种情形： • 情形1： i j , i j , • 情形2： i j , i j , • 情形3： i j , i j , • 理论上讲，根据截距或斜率是否可变，排列组合有 四种情形，上面三种未列出截距相同斜率不同的情 形。这三种是代表性的。 • 由截距和斜率的统计关系，情形2又可分为确定效 应模型与随机效应模型。
二、面板数据模型的检验
• 面板数据模型的检验主要是考虑截距项和斜率项在 不同截面不同时间下是否一致，所以检验的第一个 假设为： • H2： yit X it u， it 即斜率截距相同。 • 如果H2不能成立，则检验H1：yit i X it uit • 如果上面二个假设都不成立，则是斜率和截距都不 相同（情形3）的模型： yit i X it i uit • 一般不考虑截距相同而斜率不同的情况，实际应用 中这种情况没有意义。 • 面板数据模型的检验
• 平行数据或面板数据（panel data）,我们也称这 些数据为联合利用时间序列/截面数据（Pooled time series，cross section）指在时间序列上取 多个截面，在这些截面上同时选取样本观测值所 构成的样本数据。面板数据计量经济学模型是近 20年来计量经济学理论方法的重要发展之一，具 有很好的应用价值。 • 适用问题如：生产分析中技术进步与规模影响； 开放式基金赎回影响；上市公司股权结构影响； 投资收益基本面影响等。
（二）截距斜率固定模型
• • • • • • • • • • • • • • • • • • • • • • • • • • • • • •
eviews关于面板数据模型截距,系数,固定效应还是随机效应的选取得检验方法及具体事例
面板数据模型1．面板数据定义。
时间序列数据或截面数据都是一维数据。
例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。
面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。
面板数据是同时在时间和截面空间上取得的二维数据。
面板数据示意图见图1。
面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。
面板数据用双下标变量表示。
例如y i t, i = 1, 2, …, N; t = 1, 2, …, TN表示面板数据中含有N个个体。
T表示时间序列的最大长度。
若固定t不变，y i ., ( i = 1, 2, …, N)是横截面上的N个随机变量；若固定i不变，y. t, (t = 1, 2, …, T)是纵剖面上的一个时间序列（个体）。
图1 N=7，T=50的面板数据示意图例如1990-2000年30个省份的农业总产值数据。
固定在某一年份上，它是由30个农业总产总值数字组成的截面数据；固定在某一省份上，它是由11年农业总产值数据组成的一个时间序列。
面板数据由30个个体组成。
共有330个观测值。
对于面板数据y i t, i = 1, 2, …, N; t = 1, 2, …, T来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。
若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。
注意：EViwes 3.1、4.1、5.0既允许用平衡面板数据也允许用非平衡面板数据估计模型。
面板数据模型计量经济学EVIEWS建模课件
下载EViews安装程序后，按照提示进行安装，选择 合适的安装路径和组件。
03
安装完成后，需要配置EViews的环境变量和启动选 项。
EViews软件界面与操作
EViews的界面包括菜单栏、工具栏、工作区、状态栏等部分，用户可以通 过菜单栏选择需要的命令和功能。
工作区是用户进行数据分析和模型估计的主要区域，可以显示数据表格、 图形、方程等。
固定效应模型
在固定效应模型中，个体固定效应被包括在内，这意 味着模型将考虑每个个体特有的不随时间变化的特征 对因变量的影响。在EViews中，可以通过在`xtreg`命 令后加上`fe`来指定固定效应模型。解读固定效应模型 的估计结果时，应注意观察固定效应的系数和显著性 水平，以了解不同个体的固定效应对因变量的影响程 度和显著性。
提高估计精度
相对于单一时间序列或横截面数据模型，面板数据模型能够利用更多的信息，提高估计 的精度。
面板数据模型在经济学研究中的挑战与展望
数据质量和可获得性
高质量的面板数据是进行面板数据分 析的前提，但获取高质量的面板数据 存在一定的难度。
动态面板数据分析
模型选择和设定
在应用面板数据模型时，需要合理选 择和设定模型，以避免模型误设导致 的估计偏误。
社会学研究 面板数据模型在社会学研究中用 于分析社会现象和趋势，如人口 变化、教育发展、犯罪率等。
医学研究 面板数据模型在医学研究中用于 分析疾病发病率、流行趋势、治 疗效果等，为医学研究和公共卫 生政策提供依据。
02
EViews软件介绍
EViews软件概述
EViews是一款专门用于计量经济学和时 间序列分析的软件，提供了一系列强大 的统计分析工具和图形化界面，方便用 户进行数据分析和模型估计。
12-面板数据模型
案例 12.1 15 个省级地区的居民家庭人均消费和人均可支配收入关系分析。 19962002 年中国东北、华北、华东 15 个省级地区的城镇居民家庭人均消费 （CPit）对人均可支配收入（IPit）散点图见图 12.2。图中每一种符号代表某一年度 15 个省级地区的截面数据（共有 7 个截面） 。散点图显示人均消费（CPit）与人均 可支配收入（IPit）的关系是线性的，并存在一定程度的递增型异方差。对 CPit 和 IPit 分别取对数，并用 LnCPit、LnIPit 表示。 数据是 7 年的，每一年有 15 个数据，共 105 组观测值，属于平衡面板数据。 AH, BJ, FJ, HB, HLJ, JL, JS, JX, LN, NMG, SD, SH, SX, TJ, ZJ 分别表示安徽省、 北京市、福建省、河北省、黑龙江省、吉林省、江苏省、江西省、辽宁省、内蒙古 自治区、山东省、上海市、山西省、天津市、浙江省，是这组面板数据代表 15 个 省级地区的个体标识。 15 个省级地区 7 年间对数的人均消费 （LnCPit） 与对数的人均可支配收入 （LnIPit） 的面板数据散点图见图 12.3。 这 105 组观测值仍呈明显的线性关系。 与图 12.2 相比， 异方差性得到有效克服，所以应该建立关于人均消费的对数线性面板数据模型。
第 12 章 面板数据模型
12.1 12.2 12.3 12.4 12.5 12.6 面板数据定义 面板数据模型分类 面板数据模型的估计方法 面板数据模型的设定与检验 面板数据建模案例分析 面板数据建模的 EViews 操作
file：li-12-1 file：li-12-1a file：li-12-2 file：li-12-3 file：li-12-3b
Panel Data模型EViews操作过程(2013)
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“数据-年份”）。
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．将数据按照地区分类（即按地区排序，见表“数据-地区”）。
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。
2．更改截面标识（如果取默认的截面标示，此步可以省略）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：dq3．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。
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 X2．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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
EViews统计分析基础教程
二、Pool对象的基本操作
1.Pool对象的建立
在创建Pool对象前应首先建立一个能进行面板数据分析的工 作 文 件 。 首 先 打 开 EViews 软 件 ， 在 主 菜 单 栏 中 选 择 “ File”|“New”|“Workfile…” 选 项 ， 在 弹 出 的 对 话 框 “Workfile structure type”的下拉菜单中选择“Balanced Panel” （平衡面板）选项。在右侧的“Frequency”中选择数据频率， 在“Start”和“End”中输入起至日期，在“Number of cross” 中输入截面数据成员的个数。在“Names”中为该工作文件 命名，再单击“OK”按钮即可生成一个给定频率的平衡面板 工作文件。
EViews统计分析基础教程
二、Pool对象的基本操作
1.Pool对象的建立
在将标识名称输入完毕后，可直接关闭该Pool对话框。系统 会自动保存在Pool对象中输入的信息。需说明的是，Pool对 象本身不包含任何时间序列和数据，它只是对数据结构的一 个基本描述。因此，当删除所建立的Pool对象时，并不同时 删除它所使用的序列对象。
EViews统计分析基础教程
第12章 面板数据（Panel Data）模型
重点内容：
• Pool对象的建立
• Pool对象数据分析
• Pool对象模型估计
EViews统计分析基础教程
一、Panel Data模型原理
面板数据模型的基本形式是 y it = it + xit it + µ it 其中， i t是模型的常数项； i t是k×1维参数向量，k是模 型中解释变量的个数； xit是外生变量向量；µ t是均值为0且 i 同方差的随机误差项，并且不同样本下的随机误差项是相互 独立的；T是每个截面样本下的时期总数，N是截面样本总 数。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
在实际应用中，通常将三维数据转化为二维数据。首先向读 者介绍一下堆积数据和非堆积数据两种数据结构形式，然后 分别介绍每一种数据结构的导入方法。 （1）堆积数据 Pool数据的堆积形式为将一个变量的所有数据放在一起，并 与其他变量的数据分开。数据堆积的方式有两种，一种是按 截面成员堆积，一种是按日期堆积。按截面成员堆积的数据 是将不同截面成员的数据从上至下排列，每一列代表一个变 量。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
（2）非堆积数据 在非堆积数据中，给定的截面数据和变量是放在一起的，但 同其他的截面成员和变量的数据是分开的。每一个截面成员 的观测值被放在一纵列中，每一列是截面成员不同时期的样 本观测值。 非堆积数据形式的导入方法与第三章所介绍的数据导入方法 相同。
EViews统计分析基础教程源自二、Pool对象的基本操作
1.Pool对象的建立
在建立好的工作文件中创建Pool对象。选择工作文件工具栏 中的“Object”|“New Object”选项，在打开的对话框中选择 “Pool”选项，将弹出图12-1所示的Pool对象窗口。单击该窗 口工具栏中的“Name”功能键可为该Pool对象命名。系统默 认的名称为“pool01”“pool02”等。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
对于堆积形式的数据可以采用手动方式输入，也可以采用 Pool对象中的数据导入方式输入。但要注意的是，数据必须 是平衡的，如果采用导入方式，则源文件中截面成员的排列 顺序与Pool对象中的截面成员标识名称的顺序要保持一致。 对于截面成员堆积数据，每个截面成员的样本期应该是一致 的；对于时期堆积数据，每个时期必须包含相同数目的截面 成员，并且排列顺差应该是一致的。当观测值为空值（NA） 时，应用“–”代替，以保证数据总体结构平衡。
EViews统计分析基础教程
三、Pool对象模型估计
在“Dependent variable”（因变量）中输入Pool变量或者Pool 变量的表达式； 在“Estimation method”中设定估计形式； 在“Cross-section”（截面成员）和“Period”（时期）的下拉 菜单中可对影响方式进行设定； 在“Regressors and AR() terms”中输入解释变量； “Method”提供了两种估计方法，一种是最小二乘估计法 （ LS ） ， 一 种 是 两 阶 段 最 小 二 乘 估 计 法 （ TSLS ） 。 “Sample”为样本期的设定，系统默认下为截面成员的最大 样本值。其右侧有个复选框“Balance Sample”，可在各截面 成员间进行数据排除。
EViews统计分析基础教程
二、Pool对象的基本操作
1.Pool对象的建立
在Pool对象的编辑窗口中输入截面成员的标识名称，例如做 中国省际面板数据分析时，选取中部五省份为截面成员，即 湖南、湖北、河南、江西和安徽，分布用字母HN,HB，HE， JX，AH表示。这些截面成员各名称之间可用空格隔开，也 可以通过回车键进行换行，即每一个名称占一行。需注意的 是，截面成员的标识名称的设定需简单，便于操作。通常可 以在截面成员标识名称前加下划线“_”。如下图所示。
EViews统计分析基础教程
二、Pool对象的基本操作
3.Pool对象数据的分析
打开Pool对象窗口，选择工具栏中的 “View”|“Descriptive Statistics…”选项，得到下图所示的对话框。
EViews统计分析基础教程
二、Pool对象的基本操作
3.Pool对象数据的分析
在编辑栏中输入要计算描述统计量的序列名称，可以是普 通序列，也可以是Pool序列； 在“Sample”中选定样本类型； 在“Data organization”中指定计算方法。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
（1）堆积数据 在含有Pool对象的工作文件中，打开Pool对象，单击其工具 栏中的“View”|“Spreadsheet（stacked data）…”选项，在弹 出的对话框中输入序列名称 。如果是已经存在的序列， EViews会显示出序列中的数据；如果是不存在的序列， EViews会根据Pool对象的截面成员标识名称建立新的序列对 象。在该对话框中输入完序列名称后单击“OK”按钮，即可 得 到 图 12-3 所 示 的堆积形式 的 数据表 。 点击工 具 栏中的 “Edit+/-”键可对数据进行编辑，用户可用手动方式逐个进 行输入，也可以通过“复制粘帖”方式输入。
一、Panel Data模型原理
分类： 通常情况下，可将面板数据模型分为三类： 变截距模型：当模型中系数向量 i t相同即均为，而截距 项 i t是不同时，则应建立变截距模型； 变系数模型：当模型中系数向量 i t和截距项 i t均发生变 化时，则应建立变系数模型； 截距和系数均不变的模型：当模型中系数向量 i t和截距项 i t均相同时，即同为 和，则应建立截距和系数均不变的 模型。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
（1）堆积数据 如果用户采用导入方式输入数据，可在Pool对象窗口工具栏 中选择“Proc”|“Import Pool data（ASCII,XLS,WK?）…”选 项，然后在弹出的窗口中选择源文件的路径和名称后会得到 下图所示的导入数据的对话框。
EViews统计分析基础教程
二、Pool对象的基本操作
2.Pool对象数据的输入
（1）堆积数据 在“Series order”中指定数据的排列方式，“In Columns”为 纵向排列，“In Rows”为横向排列。在“Group observations” 中指定数据堆积形式，“By Cross-section”为按截面成员堆 积，“By Date”为按时期堆积。在“Upper-left data cell”的编 辑 栏 中 指 定 EXCEL 工 作 表 中 数 据 的 起 始 单 元 格 。 在 “Ordinary and Pool”的编辑栏中输入序列名称，例如，I? M?。如果输入的系列名是Pool序列名，EViews软件会用截 面成员的标识名称创建序列或命名序列；如果是普通序列名， 则会创建单个序列。其他各项内容的设定与第三章介绍的数 据导入相同。设定好各项内容后单击“OK”按钮就完成了数 据的读入。
EViews统计分析基础教程
本章小结：
• 了解面板数据模型的基本原理 • 掌握Pool对象的建立方法 • 掌握Pool对象的数据输入方法
EViews统计分析基础教程
三、Pool对象模型估计
通过Pool对象可以对固定影响、随机影响变截距模型和固定 影响变系数模型进行估计。常用的方法有最小二乘估计法、 加权最小二乘法等。
EViews统计分析基础教程
三、Pool对象模型估计
在EViews操作中，单击Pool对象工具栏中的“Estimate”或者 选择“Proc”|“Estimate”选项，将弹出下图所示的对话框。
EViews统计分析基础教程
一、Panel Data模型原理
当参数值不随截面数据成员的不同而改变时，可将面板数据 模型写为如下形式
yi = i + xi i + µ i
yi和xi向量中的每一分量代表第i个截面样本下的数据序列， 常数项i 和参数i不受不同截面样本数据的影响。
EViews统计分析基础教程