最新panel-data模型eviews操作过程().doc

《最新panel-data模型eviews操作过程().doc》由会员分享，可在线阅读，更多相关《最新panel-data模型eviews操作过程().doc（34页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-datePanel-Data模型EViews操作过程(2013)Panel Data模型的估计过程：Panel Data模型的EViews操作过程两种模式：. 关于Panel工作文件；. 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“汇总0”）。2输入截面单元的标识（表示地区的符号，前面加_；如：_H

2、B、_NMG等）。3将数据表按照时间分类（即排序，见表“汇总”）。. 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。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2更改截面标识（可以省略）序列crossid中是以数字1、2、标记截面标识，为了便于

3、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。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

4、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。个体-时期固定效应个体固定效应 个体-时期随机效应个体固定效应时期随机效应 双因素固定效应模型模型估计结果中只显示解释变量的参数估计值，截距项的估计结果要在ViewFixed/Random Effects中显示。三、 Panel Data模型的检验过程1检验是单因素或双因素或混合模型（1）估计固定效应双因素模型；（2）在方程窗口中选择V

5、iewFixed/Random Effects Testing/Redundant Fixed Effect，检验固定效应“冗余”假设是否成立。同时存在个体效应和时间效应2检验是随机效应或固定效应。（1）估计（双因素）随机效应模型；（2）在方程窗口中选择：ViewFixed/Random Effects Testing/Correlate Random Effects，进行Hausman检验。时期固定效应个体随机效应所以模型是双因素模型同时存在着个体效应和时间效应；其中个体随机效应，时期固定效应。估计结果为：. 关于Pool对象的操作过程案例2（来源：格林经济计量分析，工作文件：10_1）时期

6、：1935-1954年；截面单元：5家企业GM：通用汽车公司、CH：克莱斯勒公司、GE：通用电器公司、WE：西屋公司US：美国钢铁公司3个变量：I ：总投资M ：前一年企业的市场价值（反映企业的预期利润） K ：前一年末工厂存货和设备的价值（反映企业必要重置投资期望值）内容：一、 建立包含Pool对象的工作文件二、 Pool对象中的数据处理三、 模型估计过程四、 模型检验过程一、在工作文件中创建Pool对象1、创建工作文件（年度数据）2、创建Pool对象点击Objects / New Object，选择Pool对象，在弹出的窗口中输入各个截面单元的识别标识（习惯上加上前缀“_”）：输入截面单元

7、标识二、Pool对象中的数据处理1输入数据输入方式：键盘输入、文件导入、复制+粘贴（适用于堆积数据）（1）双击Pool对象，点击View/Spreadsheet（stacked data），系统要求输入序列名列表：输入序列名，并且加后缀？（2）输入数据：输入Pool变量名，点击OK后，出现数据窗口：进入输入/编辑状态根据原始数据表的数据排列格式转换堆积数据的排列方式：按截面单元 / 时期输入数据的步骤为：l 事先将Excel中的数据整理成堆积数据，每个变量一列数据；l 根据Excel表中数据的排列形式，转换EViews中数据的排列方式按截面单元 / 时期顺序堆积数据（这比Panel的要求灵活）

8、；l 利用复制+粘贴的方式，将Excel表中的数据复制到Pool对象中。2生成序列点击Pool工具栏的Poolgenr按钮，或者选择ProcGenerate Pool Series，在弹出的对话框中输入定义新序列的有关公式（例如，生成Kt-1）3描述统计在Pool窗口中选择View/Descriptive Statistics，并在对话框中输入变量名，将会输出每个变量的有关描述统计量。说明： 堆积数据（Stacked data）: 计算每个变量（关于所有截面单元，所有时期）的描述统计量。去掉均值的堆积数据（Stacked-means removed）: 计算除去截面平均值之后的描述统计量。截面

9、变量（Cross-section specific）: 计算每个变量关于截面的描述统计量。时期变量（Time period specific）: 计算每个变量关于时期的描述统计量。关于变量（堆积数据）关于变量截面数据（所有时期）三、 模型估计过程1点击Pool工具栏的Estimate按钮，将弹出模型估计对话框：估计方法2可以估计的模型形式：模型类型Fixed and RandomRegressorscrossperiodcommoncrossperiod1混合模型NoneNoneX?2个体固定效应变截矩FixedNoneX?3时间固定效应变截矩NoneFixedX?4个体随机效应变截矩Rand

10、omNoneX?5时间随机效应变截矩NoneRandomX?6个体固定效应变系数FixedNoneX?7时间固定效应变系数NoneFixedX?8个体随机效应变系数RandomNoneX?9时间随机效应变系数NoneRandomX?10双因素固定效应变截矩FixedFixedX?11双因素随机效应变截矩RandomRandomX?12双因素随机效应变系数RandomRandomX?X?说明：随机效应变系数模型对样本容量有要求。输入解释变量，并确定效应作用是否变参数：l 常参数l 截面变参数l 时间变参数可选项：None、Fixed、Random用于确定效应的具体形式：l 无效应、单因素、双因素

11、l 固定效应、随机效应Hausman检验输入被解释变量 3估计方法的选择当模型个体（或时期）方程的随机误差项之间同方差、且不存在同期相关时，系统默认的估计方法是OLS；否则，需要采用GLS估计或SUR估计（似乎不相关估计）。类型估计方法1同方差、且不存在同期相关OLS（No Weights）2个体方程存在异方差，但不存在同期相关GLS（cross-section weights）3个体方程之间存在同期相关SUR（cross-section SUR）4时期方程存在异方差，但不存在同期相关GLS（period weights）5时期方程之间存在同期相关SUR（period SUR）6随机误差项与解

12、释变量相关TSLS四、模型检验过程类型识别检验1检验是单因素或双因素或混合模型（异质性检验）（1）估计双因素固定效应模型；（2）在方程窗口中选择ViewFixed/Random Effects Testing/Redundant Fixed Effect，检验是否存在“冗余”效应。不存在时间效应存在个体效应2随机效应模型与固定效应模型1建立随机效应模型（双因素或单因素，本例是随机个体效应）2进行Hausman 检验H0:模型是随机效应模型；由于p 0.05，所以接受H0，认为模型是随机效应模型。3固定效应变截矩模型与变系数模型将固定效应变截矩模型与变系数模型进行比较，检验约束假设是否成立。具体

13、步骤：（1）估计变截矩模型和变系数模型，得到约束回归残差平方和RSSE和无约束回归残差平方和USSE； （2）利用F统计量检验假设：（3）若FF，则拒绝原假设，模型是变系数模型；FF时，模型是变截矩模型。本例中，N=5，T=20，k=2，RSSE=444288，USSE=339122；所以，利用EViews中函数QFDIST(d,n1,n2)，其中，可以求得： F；所以，拒绝原假设，模型是变系数模型。4异方差与同期相关检验当模型个体（或时期）方程的随机误差项之间异方差、或者存在同期相关时，需要采用GLS估计或SUR估计（似乎不相关估计）。在估计的模型窗口，选择View Residuals covariance Matrix，或者correlation Matrix，可以检验是否存在异方差和相关性。-