面板數據分析方法步驟全解

面板數據分析方法步驟全解

步驟一：分析數據的平穩性(單位根檢驗)

按照正規程序，面板數據模型在回歸前需檢驗數據的平穩性。李子奈曾指出，一些非平穩的經(jīng)濟時(shí)間序列往往表現出共同的變化趨勢，而這些序列間本身不一定有直接的關(guān)聯(lián)，此時(shí)，對這些數據進(jìn)行回歸，盡管有較高的R平方，但其結果是沒(méi)有任何實(shí)際意義的。這種情況稱(chēng)為稱(chēng)為虛假回歸或偽回歸(spurious regression)。他認為平穩的真正含義是：一個(gè)時(shí)間序列剔除了不變的均值(可視為截距)和時(shí)間趨勢以后，剩余的序列為零均值，同方差，即白噪聲。因此單位根檢驗時(shí)有三種檢驗模式：既有趨勢又有截距、只有截距、以上都無(wú)。

因此為了避免偽回歸，確保估計結果的有效性，我們必須對各面板序列的平穩性進(jìn)行檢驗。而檢驗數據平穩性最常用的辦法就是單位根檢驗。首先，我們可以先對面板序列繪制時(shí)序圖，以粗略觀(guān)測時(shí)序圖中由各個(gè)觀(guān)測值描出代表變量的折線(xiàn)是否含有趨勢項和(或)截距項，從而為進(jìn)一步的單位根檢驗的檢驗模式做準備。

單位根檢驗方法的文獻綜述：在非平穩的面板數據漸進(jìn)過(guò)程中,Levin andLin(1993) 很早就發(fā)現這些估計量的極限分布是高斯分布,這些結果也被應用在有異方差的面板數據中,并建立了對面板單位根進(jìn)行檢驗的早期版本。后來(lái)經(jīng)過(guò)Levin et al. (2002)的改進(jìn),提出了檢驗面板單位根的LLC 法。Levin et al. (2002) 指出,該方法允許不同截距和時(shí)間趨勢,異方差和高階序列相關(guān),適合于中等維度(時(shí)間序列介于25～250 之間,截面數介于10～250 之間) 的面板單位根檢驗。Im et al. (1997) 還提出了檢驗面板單位根的IPS 法,但Breitung(2000) 發(fā)現IPS 法對限定性趨勢的設定極為敏感,并提出了面板單位根檢驗的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板單位根檢驗方法。

由上述綜述可知，可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5種方法進(jìn)行面板單位根檢驗。

其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分別指Levin, Lin & Chu t* 統計量、Breitung t 統計量、lm Pesaran & Shin W 統計量、ADF- Fisher Chi-square統計量、PP-Fisher Chi-square統計量、Hadri Z統計量，并且Levin, Lin & Chu t* 統計量、Breitung t統計量的原假設為存在普通的單位根過(guò)程，lm Pesaran & Shin W 統計量、ADF- Fisher Chi-square統計量、PP-Fisher Chi-square統計量的原假設為存在有效的單位根過(guò)程， Hadri Z統計量的檢驗原假設為不存在普通的單位根過(guò)程。

有時(shí)，為了方便，只采用兩種面板數據單位根檢驗方法，即相同根單位根檢驗LLC(Levin-Lin-Chu)檢驗和不同根單位根檢驗Fisher-ADF檢驗(注：對普通序列(非面板序列)的單位根檢驗方法則常用ADF檢驗)，如果在兩種檢驗中均拒絕存在單位根的原假設則我們說(shuō)此序列是平穩的，反之則不平穩。

如果我們以T(trend)代表序列含趨勢項，以I(intercept)代表序列含截距項，T&I代表兩項都含，N(none)代表兩項都不含，那么我們可以基于前面時(shí)序圖得出的結論，在單位根檢驗中選擇相應檢驗模式。

但基于時(shí)序圖得出的結論畢竟是粗略的，嚴格來(lái)說(shuō)，那些檢驗結構均需一一檢驗。具體操作可以參照李子奈的說(shuō)法：ADF檢驗是通過(guò)三個(gè)模型來(lái)完成，首先從含有截距和趨勢項的模型開(kāi)始，再檢驗只含截距項的模型，最后檢驗二者都不含的模型。并且認為，只有三個(gè)模型的檢驗結果都不能拒絕原假設時(shí)，我們才認為時(shí)間序列是非平穩的，而只要其中有一個(gè)模型的檢驗結果拒絕了零假設，就可認為時(shí)間序列是平穩的。

此外，單位根檢驗一般是先從水平(level)序列開(kāi)始檢驗起，如果存在單位根，則對該序列進(jìn)行一階差分后繼續檢驗，若仍存在單位根，則進(jìn)行二階甚至高階差分后檢驗，直至序列平穩為止。我們記I(0)為零階單整，I(1)為一階單整，依次類(lèi)推，I(N)為N階單整。

步驟二：協(xié)整檢驗或模型修正

情況一：如果基于單位根檢驗的結果發(fā)現變量之間是同階單整的，那么我們可以進(jìn)行協(xié)整檢驗。協(xié)整檢驗是考察變量間長(cháng)期均衡關(guān)系的方法。所謂的協(xié)整是指若兩個(gè)或多個(gè)非平穩的變量序列，其某個(gè)線(xiàn)性組合后的序列呈平穩性。此時(shí)我們稱(chēng)這些變量序列間有協(xié)整關(guān)系存在。因此協(xié)整的要求或前提是同階單整。

但也有如下的寬限說(shuō)法：如果變量個(gè)數多于兩個(gè)，即解釋變量個(gè)數多于一個(gè)，被解釋變量的單整階數不能高于任何一個(gè)解釋變量的單整階數。另當解釋變量的單整階數高于被解釋變量的單整階數時(shí)，則必須至少有兩個(gè)解釋變量的單整階數高于被解釋變量的單整階數。如果只含有兩個(gè)解釋變量，則兩個(gè)變量的單整階數應該相同。

也就是說(shuō)，單整階數不同的兩個(gè)或以上的非平穩序列如果一起進(jìn)行協(xié)整檢驗，必然有某些低階單整的，即波動(dòng)相對高階序列的波動(dòng)甚微弱(有可能波動(dòng)幅度也不同)的序列，對協(xié)整結果的影響不大，因此包不包含的重要性不大。而相對處于最高階序列，由于其波動(dòng)較大，對回歸殘差的平穩性帶來(lái)極大的影響，所以如果協(xié)整是包含有某些高階單整序列的話(huà)(但如果所有變量都是階數相同的高階，此時(shí)也被稱(chēng)作同階單整，這樣的話(huà)另當別論)，一定不能將其納入協(xié)整檢驗。

協(xié)整檢驗方法的文獻綜述：(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協(xié)整的方法,這種方法零假設是沒(méi)有協(xié)整關(guān)系,并且利用靜態(tài)面板回歸的殘差來(lái)構建統計量。(2)Pedron(1999)在零假設是在動(dòng)態(tài)多元面板回歸中沒(méi)有協(xié)整關(guān)系的條件下給出了七種基于殘差的面板協(xié)整檢驗方法。和Kao的方法不同的是,Pedroni的檢驗方法允許異質(zhì)面板的存在。(3)Larsson et al(2001)發(fā)展了基于Johansen(1995)向量自回歸的似然檢驗的面板協(xié)整檢驗方法，這種檢驗的方法是檢驗變量存在共同的協(xié)整的秩。

我們主要采用的是Pedroni、Kao、Johansen的方法。

通過(guò)了協(xié)整檢驗，說(shuō)明變量之間存在著(zhù)長(cháng)期穩定的均衡關(guān)系，其方程回歸殘差是平穩的。因此可以在此基礎上直接對原方程進(jìn)行回歸，此時(shí)的回歸結果是較精確的。

這時(shí)，我們或許還想進(jìn)一步對面板數據做格蘭杰因果檢驗(因果檢驗的前提是變量協(xié)整)。但如果變量之間不是協(xié)整(即非同階單整)的話(huà)，是不能進(jìn)行格蘭杰因果檢驗的，不過(guò)此時(shí)可以先對數據進(jìn)行處理。引用張曉峒的原話(huà)，“如果y和x不同階，不能做格蘭杰因果檢驗，但可通過(guò)差分序列或其他處理得到同階單整序列，并且要看它們此時(shí)有無(wú)經(jīng)濟意義�！�

下面簡(jiǎn)要介紹一下因果檢驗的含義：這里的因果關(guān)系是從統計角度而言的，即是通過(guò)概率或者分布函數的角度體現出來(lái)的：在所有其它事件的發(fā)生情況固定不變的條件下，如果一個(gè)事件X的發(fā)生與不發(fā)生對于另一個(gè)事件Y的發(fā)生的概率(如果通過(guò)事件定義了隨機變量那么也可以說(shuō)分布函數)有影響，并且這兩個(gè)事件在時(shí)間上又有先后順序(A前B后)，那么我們便可以說(shuō)X是Y的原因�？紤]最簡(jiǎn)單的形式，Granger檢驗是運用F-統計量來(lái)檢驗X的滯后值是否顯著(zhù)影響Y(在統計的意義下，且已經(jīng)綜合考慮了Y的滯后值;如果影響不顯著(zhù)，那么稱(chēng)X不是Y的“Granger原因”(Granger cause);如果影響顯著(zhù)，那么稱(chēng)X是Y的“Granger原因”。同樣，這也可以用于檢驗Y是X的“原因”，檢驗Y的滯后值是否影響X(已經(jīng)考慮了X的滯后對X自身的影響)。

Eviews好像沒(méi)有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test。說(shuō)明Eviews是無(wú)法對面板數據序列做格蘭杰檢驗的，格蘭杰檢驗只能針對序列組做。也就是說(shuō)格蘭杰因果檢驗在Eviews中是針對普通的序列對(pairwise)而言的。你如果想對面板數據中的某些合成序列做因果檢驗的話(huà)，不妨先導出相關(guān)序列到一個(gè)組中(POOL窗口中的Proc/Make Group)，再來(lái)試試。

情況二：如果如果基于單位根檢驗的結果發(fā)現變量之間是非同階單整的，即面板數據中有些序列平穩而有些序列不平穩，此時(shí)不能進(jìn)行協(xié)整檢驗與直接對原序列進(jìn)行回歸。但此時(shí)也不要著(zhù)急，我們可以在保持變量經(jīng)濟意義的前提下，對我們前面提出的模型進(jìn)行修正，以消除數據不平穩對回歸造成的不利影響。如差分某些序列，將基于時(shí)間頻度的絕對數據變成時(shí)間頻度下的變動(dòng)數據或增長(cháng)率數據。此時(shí)的研究轉向新的模型，但要保證模型具有經(jīng)濟意義。因此一般不要對原序列進(jìn)行二階差分，因為對變動(dòng)數據或增長(cháng)率數據再進(jìn)行差分，我們不好對其冠以經(jīng)濟解釋。難道你稱(chēng)其為變動(dòng)率的變動(dòng)率?

步驟三：面板模型的選擇與回歸

面板數據模型的選擇通常有三種形式：

Model)。如果從時(shí)間上看，不同個(gè)體之間不存在顯著(zhù)性差異;從截面上看，不同截面之間也不存在顯著(zhù)性差異，那么就可以直接把面板數據混合在一起用普通最小二乘法(OLS)估計參數。一種是固定效應模型(Fixed Effects Regression Model)。如果對于不同的截面或不同的時(shí)間序列，模型的截距不同，則可以采用在模型中添加虛擬變量的方法估計回歸參數。一種是隨機效應模型(Random Effects Regression Model)。如果固定效應模型中的截距項包括了截面隨機誤差項和時(shí)間隨機誤差項的平均效應，并且這兩個(gè)隨機誤差項都服從正態(tài)分布，則固定效應模型就變成了隨機效應模型。

在面板數據模型形式的選擇方法上，我們經(jīng)常采用F檢驗決定選用混合模型還是固定效應模型，然后用Hausman檢驗確定應該建立隨機效應模型還是固定效應模型。

檢驗完畢后，我們也就知道該選用哪種模型了，然后我們就開(kāi)始回歸：

在回歸的時(shí)候，權數可以選擇按截面加權(cross-section weights)的方式，對于橫截面個(gè)數大于時(shí)序個(gè)數的情況更應如此，表示允許不同的截面存在異方差現象。估計方法采用PCSE(Panel Corrected Standard Errors，面板校正標準誤)方法。Beck和Katz(1995)引入的PCSE估計方法是面板數據模型估計方法的一個(gè)創(chuàng )新，可以有效的處理復雜的面板誤差結構，如同步相關(guān)，異方差，序列相關(guān)等，在樣本量不夠大時(shí)尤為有用。

【面板數據分析方法步驟全解】相關(guān)文章：

銷(xiāo)售數據的分析方法07-25

多維數據分析方法04-07

數據分析常用方法07-26

服裝銷(xiāo)售數據分析方法08-21

數據分析常用方法(熱)07-25

常用數據分析方法有哪些04-04

市場(chǎng)調查數據分析方法12-02

市場(chǎng)調研數據分析方法12-21

關(guān)于面向數據流的分析方法04-11

[必備]數據分析常用方法3篇07-25