第十一章 长面板与动态面板
合集下载
相关主题
- 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)。
在以上的固定效应或随机效应模型中,要么全部解 释变量与个体效应u i相关(固定效应),要么全部 解释变量都与u i不相关(随机效应)。介于二者之 间的混合情形是,某些解释变量与u i相关,而其他 解释变量与u i不相关。在这种情况下,有可能使用 工具变量法得到对不随时间变化的变量系数的一致 估计。
假设成立,则根据残差计算的个体扰动项之间的 相关系数应接近于0。如果将这些相关系数排成一 个矩阵,即残差相关系数矩阵,则该矩阵非主对 角线元素应离0不远。
根据残差相关系数矩阵,可以设计以下几种检验: Breusch-Pagan LM检验,该检验适用于长面板; Pesaran检验,统计量服从标准正态分布; Friedman检验,统计量服从 2分布。后两个检验对 短面板也适合
i= i=1, ,n ,则所有个体的扰动项都服从自
回归系数相同的AR 1 过程。 使用PW估计法(参见第六章)对原模型进行广义差 分变换,就可以得到FGLS估计量。
如果T并不比n大很多,则约束每个面板(个体)的 自回归系数均相等,因为时间维度T可能无法提供 足够的信息来分别估计每个面板自己的i。
第十一章 长面板与动态面板
一、长面板
上一章主要关注短面板。对于短面板,由于时间维 度T较小,每个个体的信息较少,无法讨论扰动项
it 是否存在自相关,故一般假设 it 为独立同分布
的。对于长面板(long panel),由于T较大,信息 较多,故可以放松这个假定,对 it 自相关的具体形 式进行估计,然后使用可行广义最小平方法(FGLS) 进行估计。
对于z 2i,则可以使用x1作为工具变量,即用随时间 变化的外生变量的平均值作为不随时间变化的内生 变量的工具变量。一般来说,z 2i 会与x1相关(二者 同为yi的解释变量);另一方面,根据定义, Cov x1i,u i =0。因此,x1为有效工具变量。
显然,为了使用工具变量法,必须要求x1i中所包含 的外生变量个数比z 2i中所包含的内生变量个数更多 使用以上工具变量进行2SLS估计,就得到 豪斯曼-泰勒估计量。有人提出将 x1,i1-x1,i , x1,i2-x1,i , ,x1,iT-x1,i 也作为工具变量使用, 以增加估计的效率。
三、变系数模型
对于长面板数据,由于样本容量大,除了可以让每 个个体拥有自己的截距项外,还可以允许每个个体 的回归方程斜率也不同,称为变系数模型。变系数 模型分为两大类,取决于将可变系数视为常数还是 随机变量
1、将可变系数视为常数
假设yit=x i+ it,其中i为第i个个体对应的系数。 it 此时,可以对每个个体方程进行分别回归。但如果 不同个体的扰动项相关,则分别回归效率不高,因 为它忽略了不同方程扰动项相关性的可用信息。有 效率的做法是,把所有个体回归方程叠放(stack), 然后使用似不相关回归(SUR)对整个方程系统进 行系统估计(system estimation)。
Cov it, i,t-1 =Cov it- i,t-1, i,t-1- i,t-2 =-Cov i,t-1, i,t-1 =-Var i,t-1 =-
故自相关系数为 Corr it, i,t-1 = Cov it, i,t-1 Var it =-0.5
使用这个方法的缺点是,可能需要估计较多参数, 从而损失自由度。
作为一种折中,可以考虑“部分变系数模型”,即 允许i中的部分系数(比如,研究者感兴趣的系数) 随个体而变,而其余系数则不变。在这种情况下, 不再适用SUR,因为各个体方程除了扰动项相关外, 还拥有部分相同的系数(跨方程约束)。此时,可 以使用LSDV法(虚拟变量最小平方法),即在回归 方程中,引入个体虚拟变量,以及虚拟变量与x it中可 变系数之解释变量的互动项。
考虑一阶差分模型 yit=x + it 在不存在组内 it (autocovariance)分别为Var it =Var it- i,t-1 =Var it +Var i,t-1 =2
2
自相关的原假设下,扰动项 it的方差与自协方差
2ຫໍສະໝຸດ Baidu
记 it的样本值为e(即一阶差分回归的残差),对 it eit 进行一阶自回归: eit= ei,t-1+errorit i=1, ,n;t=3, ,T) ( 然后对原假设“H 0:=-0.5 Wald (t或F检验) 3、组间截面相关的检验 考虑原假设“不存在组间截面相关”。如果此原
异方差或自相关,故有必要对此进行检验。
1、组间异方差的检验
对于原假设“不同个体的扰动项方差均相等”,即
2 “H0: i2=(i=1, ,n)”,可以考虑进行似然 2 2 比检验(LR)。共有n-1个约束,即 12= 2, 2= 32
, , = 。故该似然比统计量服从自由度为n-1
不相关),条件协方差矩阵Var vi x i =(对角矩 阵)。因此, yit=x i+ it=x +vi + it=x + x vi+ it it it it it
由于E vi x i =0,通过使用迭代期望定律,可以证 明复合扰动项 x vi+ it 与解释变量x i不相关。因此 it OLS是一致的。然而,复合扰动项 x vi+ it 的协方 it 差矩阵为分块对角矩阵,并非单位矩阵(类似于随 机效应模型的情形,参见第10章)。Swamy提出用 FGLS来估计此模型,即利用OLS残差来估计协方差 矩阵中的参数,然后再使用GLS。
2、同时处理组内自相关与组间同期相关的FGLS
在某些情况下,不同个体之间的扰动项可能存在组 间同期相关(也称空间相关(spatial correlation)或 截面相关(cross-sectional correlation)),比如对于 省际面板数据,相邻省份之间的同期经济活动可能 互相影响。
如果没有个体虚拟变量,则为随机效应模型;如果 加上个体虚拟变量,则为固定效应模型。 二、对长面板数据进行异方差与自相关的检验 由于在对长面板进行FGLS估计时,要确定是否存在
2 n-1 2 n
的 2分布。
加上n-1个同方差约束之后,必然降低似然函数的最 大值。如果降低很多,根据似然比检验原理,则倾 向于拒绝同方差的原假设。在存在组间异方差 (groupwise heteroskedasticity)的情况下,迭代FGLS 估计法等价于最大似然估计法。
2、组内自相关的检验
更一般地,考虑以下动态面板模型: yit=+ yi,t-1+x +z +u i+ it (t=2, ,T) it i 先作一阶差分以消去个体效应u i,可得 yit=yi,t-1+x + it (t=2, ,T) 然而 it yi,t-1 yi,t-1-yi,t-2依然与 it it- i,t-1相关,因为 yi,t-1与 i,t-1相关。因此,yi,t-1为内生变量,需要寻 找适当的工具变量才能得到一致估计。为此 Anderson and Hsiao提出使用yi,t-2作为yi,t-1的工具 变量,称为Anderson-Hsiao估计量。
显然,yi,t-2与yi,t-1 yi,t-1-yi,t-2相关。如果 it 不存在 自相关,则yi,t-2与 it it- i,t-1不相关(虽然yi,t-2 依赖于 i,t-2,但 it, i,t-1均与 i,t-2不相关)。因此
使用豪斯曼-泰勒估计量的重要前提是,所有解释 变量均与 it不相关,而且部分解释变量与u i不相关。 在实证研究中,需要说明这些条件为何能够满足, 否则,将导致不一致的估计。
五、动态面板
面板数据的一个优点是可以对个体的动态行为进行 建模。有些经济理论认为,由于惯性或部分调整, 个体的当前行为取决于过去行为,比如资本存量的 调整。如果在面板模型中,解释变量包含了被解释 变量的滞后值,则称之为动态面板数据(Dynamic Panel Data,DPD)。
在长面板中,由于n相对于T较小,对于可能存在的 固定效应,只要加入个体虚拟变量即可(即LSDV法) 对于时间效应,可以通过加上时间趋势项或其平方项 来控制。
总之,对于长面板数据,关注的焦点在于设定扰动 项相关的具体形式,以提高估计的效率。可以分为 以下两种情形:一为,仅解决组内自相关的FGLS 二为,同时处理组内自相关与组间同期相关的FGLS
显然,由于Lyi中包含 yi2, ,yi,T-1的信息,而
i2 i,T-1 it i i it
y , ,y 与 - 相关,故Ly 肯定与 -
i
相关。因此,FE是不一致的,称之为动态面板偏差。 对于长面板数据(n小T大),动态面板偏差较小, 可以直接使用组内估计量(FE)。本节主要针对短 面板数据(n大T小)。
2、随机系数模型(Random Coefficient Model)
回归系数反映的是经济变量间的一种关系。这种关 系可能随时间而变,故可以看作是受随机因素的影 响。如果将系数i视为随机变量(好像是从某个总 体中抽取的样本),可以假设i=+vi,其中 为 常数向量,而vi为随机向量,且满足条件期望 E vi x i =(故影响斜率的随机因素vi与解释变量x i 0
1、仅解决组内自相关的FGLS
考虑以下模型: yit=x + it it 其中,x it 可以包括常数项、时间趋势项(或其平方 项)、个体虚拟变量、以及不随时间变化的解释变 量zi。扰动项 it 服从AR 1 过程,即 it=i i,t-1+vit 其中, i <1,vit 为独立同分布且期望为0。如果
量。显然,x 2,it与 x 2,it-x 2,i 相关;接着证明
变量。对于x 2,it,可以使用 x 2,it-x 2,i 作为工具变
x 2,it-x 2,i 与与u i不相关:
根据迭代期望定律,E x 2,it-x 2,i u i =E ui E x 2,it-x 2,i u i u i =E ui u i E x 2,it-x 2,i u i =E ui u i 0=0
四、豪斯曼-泰勒估计量
固定效应模型的主要缺点是无法估计不随时间而变 的变量系数。而这些不随时间变化的变量可能恰恰 是我们感兴趣的,比如性别、受教育程度对工资的 作用等。如果有足够的工具变量,可以对方程 yit=x +z +u i+(i=1, ,n;t=1,,T)直接 it i it 用工具变量法进行估计,即需要找到与内生解释变 量相关,但与个体效应u i无关的有效工具变量。
考虑以下面板模型: yit=x1,it 1+x ,it 2+z1i1+z 2+u i+ it 2 2i 其中,解释变量x随时间变化,而z不随时间变化。 带下标1的变量(即x1与z1)为外生变量(与u i不相 关),而带下标2的变量(即x 2与z 2)为内生变量 (与u i相关)。所有解释变量均与 it不相关。 由于x1,it与z1i外生,故可以用自己作为自己的工具
对于动态面板数据,即使组内估计量(FE)也是不 一致的。比如,假设yit=+ yi,t-1+u i+(t=2, ,T) it
则其离差形式为yit-yi= yi,t-1-Lyi + it- i (t=2, ,T) 1 T 1 T 1 T 其中,yi= Ly yit, i= T-1 yi,t-1, i= T-1 it T-1 t=2 t=2 t=2 为时间平均值。