第九讲 面板数据回归.pptVIP

xtreg invest mvalue kstock ,fe est store fixed xtreg invest mvalue kstock ,re est store random hausman fixed random 本题接受原假设，即应该用随机效应。 多数实证研究都采用固定效应模型或双向固定效应模型 固定效应模型的估计算法 “个休中心化”OLS算法或者组内离差估计法 假设原方程为： (式1) 给定第i 个个体，将(式1)两边对时间取平均可得， (式2) (式1) – (式2)，得： 可以用OLS方法一致地估计β ，称为“固定效应估计量”（Fixed Effects Estimator），记为 由于 主要使用了每个个体的组内离差信息，故也称为“组内估计量”（within estimator）。 固定效应模型的优势和劣势 面板固定效应模型的优势是：即使个体特征ui与解释变量Xit相关，只要使用组内估计量，就可以得到一致估计，即即使存在不随时间改变的遗漏变量，也可得到无偏一致的估计。 面板固定效应模型的劣势是：模型无法估计不随时间而变的变量之影响，这需要用随机效应模型。 在交通事故死亡人数中的应用 由于(10. 8)式中的“差分”回归只用了1982年和1988年的数据(具体讲就是这两年的差额)，而(10. 15)式中的固定效应回归用到了所有7年的数据，因此这两个回归是不同的。由于利用了更多的数据，因此(10. 15)式中的标准误差小于(10. 8)式中的标准误差。 固定效应模型的stata实现 use fatality,clear xtset state year xtdes xtline FatalityRate 固定效应模型： xtreg FatalityRate beertax,fe 回归结果解读 1。三个R2哪个重要？ 2。固定效应为什么有两个F检验？ 3。corr(u_i, Xb) 的含义。 4。 sigma_u、sigma_e、rho的含义。 1。因为固定效应模型是组内估计量（离差），因此，只有within是一个真正意义上的R2，其他两个是组间相关系数的平方。 2。右侧的F统计量表示除常数项外其他解释变量的联合显著性。最后一个F检验，原假设所有U_i=0，即不存在个体效应，不必使用固定效应模型。 首先注意：结果中的u_i不表示残差，而是表示个体效应。 3。corr(u_i, Xb) 个体效应与解释变量的相关系数，相关系数为0或者接近于0，可以使用随机效应模型；相关系数不为0，需要使用固定效应模型。 4。 sigma_u：表示个体效应的标准差 sigma_e：表示干扰项的标准差 rho：rho = sigma_u^2 / (sigma_u^2 + sigma_e^2) 个体效应的波动占整个波动的比例。 显示每个个体截距的方法： tab state,gen(dum) drop dum1 reg FatalityRate beertax dum* 例二 use grunfeld,clear xtset company year xtdes xtline invest 固定效应模型： xtreg invest mvalue kstock ,fe 显示每个个体截距的方法： tab company , gen(dum) reg invest mvalue kstock dum*,nocons drop dum1 reg invest mvalue kstock dum* 分析每个公司的截距 时间固定效应回归 其中St是只随时间改变，不随个体改变的变量。 和个体固定效应能控制不随时问变化但个体间不同的变量一样，时间固定效应能控制个体间相同但随时间变化的变量。 由于新车安全性能的提高是发生在全国范围内的。因此它们能够减少所有州的交通死亡事故。故把汽车安全性能视为随时间变化但对所有州都相同的遗漏变量是合理的。于是加入用St表示的汽车安全性能的效应后，得： 只有时间效应 我们暂时假设Zi不出现，方程变为： 我们的目的是在控制St条件下估计?1 在上述例子中加入时间固定效应。 实际上添加了t-1个时间虚拟变量。主要反映随着时间变化的一些特征。 use fatality,clear tab year,gen(yr) edit drop yr1 reg FatalityRate beertax yr* 几乎所有时间虚拟变量均不显著，说明FatalityRate不随时间的变动呈现变动的趋势。 个体