面板数据模型设定检验方法.doc

1：（STATA的双固定效应）xi：xtregyx1x2i.year,fe2：变系数模型（1）生成虚拟变量tabid,gen(id)genopen1=id1*opengenopen2=id2*open（2）变系数命令xtregyopen1open2。。。，fe面板数据模型设定检验方法4.1F检验先介绍原理。F统计量定义为其中RSSr表示施加约束条件后估计模型的残差平方和，RSSu表示未施加约束条件的估计模型的残差平方和，J表示约束条件个数，N表示样本容量，k表示未加约束的模型中被估参数的个数。在原假设“约束条件真实”条件下，F统计量渐近服从自由度为(J,N–k)的F分布。以检验个体固定效应回归模型为例，介绍F检验的应用。建立假设H0：i=。模型中不同个体的截距相同（真实模型为混合回归模型）。H1：模型中不同个体的截距项i不同（真实模型为个体固定效应回归模型）。F统计量定义为：F==(31)其中SSEr表示约束模型，即混合估计模型的残差平方和，SSEu表示非约束模型，即个体固定效应回归模型的残差平方和。非约束模型比约束模型多了N-1个被估参数。以案例1为例，已知SSEr=4824588，SSEu=2270386，F====8.1(32)F0.05(6,87)=1.8因为F=8.1>F0.05(14,89)=1.8，推翻原假设，比较上述两种模型，建立个体固定效应回归模型更合理。4.2Hausman检验对同一参数的两个估计量差异的显著性检验称作Hausman检验，简称H检验。H检验由Hausman1978年提出，是在Durbin（1914）和Wu（1973）基础上发展起来的。所以H检验也称作Wu-Hausman检验，和Durbin-Wu-Hausman检验。先介绍Hausman检验原理例如在检验单一方程中某个回归变量（解释变量）的内生性问题时得到相应回归参数的两个估计量，一个是OLS估计量、一个是2SLS估计量。其中2SLS估计量用来克服回归变量可能存在的内生性。如果模型的解释变量中不存在内生性变量，那么OLS估计量和2SLS估计量都具有一致性，都有相同的概率极限分布。如果模型的解释变量中存在内生性变量，那么回归参数的OLS估计量是不一致的而2SLS估计量仍具有一致性，两个估计量将有不同的概率极限分布。更一般地，假定得到q个回归系数的两组估计量和，则H检验的零假设和被择假设是：H0:plim(-)=0H1:plim(-)0假定两个估计量的差作为统计量也具有一致性，在H0成立条件下，(-)N(0,VH)其中VH是(-)的极限分布方差矩阵。则H检验统计量定义为H=(-)'(N-1)-1(-)2(q)（33）其中(N-1)是(-)的估计的方差协方差矩阵。在H0成立条件下，H统计量渐近服从2(q)分布。其中q表示零假设中约束条件个数。H检验原理很简单，但实际中VH的一致估计量并不容易。一般来说，N-1=Var(-)=Var()+Var()-2Cov(,)（34）Var()，Var()在一般软件计算中都能给出。但Cov(,)不能给出。致使H统计量（33）在实际中无法使用。实际中也常进行如下检验。H0：模型中所有解释变量都是外生的。H1：其中某些解释变量都是内生的。在原假设成立条件下，H=(-)'(-)-1(-)2(k)（36）其中和分别是对Var()和Var()的估计。与（34）式比较，这个结果只要求计算Var()和Var()，H统计量（36）具有实用性。当表示一个标量时，H统计量（36）退化为，H=2(1)其中和分别表示和的样本方差值。H检验用途很广。可用来做模型丢失变量的检验、变量内生性检验、模型形式设定检验、模型嵌套检验、建模顺序检验等。下面详细介绍面板数据中利用H统计量进行模型形式设定的检验。假定面板模型的误差项满足通常的假定条件，如果真实的模型是随机效应回归模型，那么的离差OLS估计量和随机GLS法估计量都具有一致性。如果真实的模型是个体固定效应回归模型，则参数的离差OLS法估计量是一致估计量，但随机GLS估计量是非一致估计量。可以通过H统计量检验(-)的非零显著性，检验面板数据模型中是否存在个体固定效应。原假设与备择假设是H0:个体效应与回归变量无关（个体随机效应回归模型）H1:个体效应与回归变量相关（个体固定效应回归模型）例：=0.7747，s()=0.00868（计算结果对应图15）；=0.7246，s()=0.0106（计算结果取自EViwes个体固定效应估计结果）H===68.4因为H=68.4>20.05(1)=3.8，所以模型存在个体固定效应。应该建立个体固定效应回归模型。5．面板数据建模案例分析图13混合估计散点图图14平均估计散点图以案例1为例，图13是混合估计对应数据的散点图。回归结