基于EViews 6的面板数据计量分析

基于EViews 6的面板数据计量分析 

对于面板数据，EViews 6 提供的估计方法有如下三种，

最小二乘估计——LS - Least Squares (and AR)

二阶段最小二乘估计——TSLS - Two-Stage Least Squares (and AR)

动态面板数据模型的广义矩估计——GMM / DPD - Generalized Method of Moments

/Dynamic Panel Data

第1节 “LS - Least Squares (LS and AR)”估计

如果选择最小二乘方法估计面板数据模型，在“Equation Estimation”窗口中，须依次设置“Specification”、“Panel Options”和“Options”页面。 1.1“Specification”页面

在“Specification”页面中，完成模型设定和估计样本时间范围的选择。

1 在“Equation specification”编辑区，指定模型的被解释变量、截距项和解释变量； 2 在“Sample” 编辑区，指定估计样本时间的范围。 1.2“Panel Options”页面

设置模型中不可观测的双（单）因素效应，即面板数据回归模型的选择。点击“Panel Options”

面板数据计量分析 白仲林

该页面包含三方面内容。

1 效应设置

在“Effects specification”选择区，设定面板数据模型的个体效应和时间效应，可选择的选项有“None”、“Fixed”和“Random”，分别表示“无效应”、“固定效应”和“随机效应”。如果选择了“Fixed”或“Random”，EViews在输出结果中自动添加一个共同常数，即截距项，以保证效应之和为零。否则，截距项必要时，须在“Specification”页面的“Equation specification”编辑区设定模型截距项。

2 GLS加权

设置“GLS Weights”可以在下拉框中选择如下选项

之一。其选择标准为：

󰂄 面板数据不存在异方差和自相关性时，选择“No weights”； 󰂄 面板数据在个体间存在异方差时，选择“Cross-section weights”；

󰂄 面板数据的个体间存在同期相关性和异方差时，选择“Cross-section SUR”； 󰂄 对于给定的个体，存在时间上的异方差时，选择“Period weights”。

󰂄 对于给定的个体残差，存在时间上的序列相关性和异方差时，选择“Period SUR”； 当选择了GLS加权（后四项），EViews采用FGLS估计模型。特别，选择了两种SUR选项的FGLS估计也称为Parks估计。

3 系数协方差估计方法

面板数据计量分析 白仲林

通过选择“Coef covariance method”选项，确定计算系数标准差的各种稳健估计方法。可选择的选项有

其选择标准为：

󰂄 对于不存在（个体间的和时间上的）异方差和时间上的序列相关性时，选择“Ordinary”； 󰂄 模型残差存在个体间的异方差和同期相关性时，可选择“White cross-section”；这时

也可选择“Cross-section SUR”选项，最常见的选择是White的截面加权法（White cross-section） 󰂄 对于模型残差，只存在时间上的异方差时，选择“White Period”选项 󰂄 模型残差存在个体间的异方差时，可选择“White[Diagonal]”

󰂄 模型残差存在个体间的异方差和同期相关性时，可选择“Cross-section SUR”选项； 󰂄 对于模型残差，只存在个体间的异方差时，选择“Cross-section weights” 选项； 󰂄 对于指定的个体，观测数据存在时间上的异方差和序列相关性时，选择“Period SUR”

选项； 󰂄 对于模型残差，只存在时间上的异方差时，选择“Period weights”选项。 选择“No d.f. correction”，计算时不进行自由度修正。

注意：(1) 模型设定和估计方法的一些组合EViews 6不支持，例如，对于个体随机效应模

型，设置AR项，或者，选择GLS加权，EViews 6不支持。

(2) 对于双因素随机效应模型，不支持非平衡面板数据。

1.3“Options”页面

面板数据计量分析 白仲林

“Options”页面包括系数导数的计算方法选项“Derivatives”、GLS估计的加权选项“Weighting Options”、回归系数重命名“Coefficient Name” 和迭代算法选项“Iteration Control”四方面的选项。除回归系数重命名“Coefficient Name”编辑窗口外，该页面的其它选项依赖于“Panel Options”页面的设置。

对于随机效应模型，可选择“Weighting Options”确定随机效应方差的估计方法； 对于固定效应模型，可选择“Iteration Control”确定迭代估计方法的收敛和迭代选择； 如果“Panel Options”页面选择了GLS加权，在“Options”页面可选择“Weighting Options”、“Coefficient Name” 和“Iteration Control”三方面的选项，

1 系数导数的计算方法

在EViews 6中，可以设置均值方程的（非线性）函数形式，并提供两种计算系数导数的计算方法。选择“Use numeric only”，EViews 6采用有限差分法计算系数的数值导数。否则，采用Newton-Raphson方法和Gauss-Newton/BHHH等方法对计算系数的解析导数。对于线性模型，该选项无效。

2 加权选项

在估计随机效应模型时，EViews 提供了计算随机效应方差的三种估计方法，分别是Swamy-Arora, Wallace-Hussain和Wansbeek-Kapteyn方法。

缺省选择是“Swamy-Arora”方法，详细内容参考Baltagi (2008).

另外，“Keep GLS weights”选项决定是否保存该模型GLS估计的权重。 3 回归系数重命名

缺省时，EViews 6使用向量C保存系数和效应的估计值。如果使用其他变量名保存它们，

面板数据计量分析 白仲林

在编辑栏输入变量名。

4 迭代算法选择

“Max Iterations Convergence”选项供选择系数和GLS权重的迭代次数和收敛检验。如果模型设定中含AR，设置有AR项模型系数的初始值，可分别选择无AR项模型系数的OLS估计分数、0或者用户自定义值。

“Display Settings”决定在输出结果中是否显示收敛设置和系数的初始值。

最后的两个单项选择用于确定系数向量和加权矩阵收敛迭代设置，可选择“Simultaneous updating”和“Sequential updating”，选择前者EViews同时对系数向量和GLS加权矩阵迭代；如果选择“Sequential updating”，系数向量迭代后，EViews更新GLS加权矩阵，再迭代系数向量。但是对于无AR项的GLS模型，两种设置是相同的。

如果选择了“Update coefs to convergence”和“ Update coefs once”之一，GLS加权矩阵只更新一次，前者对系数向量迭代计算直至收敛。选择后者，系数向量也仅迭代一次。同样，对于无AR项的GLS模型，两种设置也是相同的。 1.4“LS - Least Squares (LS and AR)”估计结果

案例：Grunfeld(1958)建立了下面的投资方程：

Iit=α+β1Fit+β2Cit+ξi+λt+uit

，这里，Iit表示对第i个企业在t年的实际总投资，Fit表示企业的实际价值（即公开出售的股份）Cit表示资本存量的实际价值。案例中的数据是来源于10个大型的美国制造业公司1935-19共20年的面板数据。

利用EViews6 估计双因素固定效应和随机效应模型

1 双因素固定效应模型的EViews6输出结果

面板数据计量分析 白仲林

2 双因素随机效应模型的EViews6输出结果

ˆμσ0表示估计值为负ˆνσˆwσ

1.5 面板数据模型的检验

1 固定效应的检验 EViews检验过程：

View/Fixed/Random Effects Testing/Redundant Fixed Effects – Likelihood Ratio. 检验结果：

面板数据计量分析 白仲林

LR2 F2 LR LR1 3F3 F1 H02下有约束模型的估计

面板数据计量分析 白仲林

H03下有约束模型的估计 H01下有约束模型的估计 2 随机效应 / 固定效应检验-Hausman检验 EViews6的检验过程：

View/Fixed/Random Effects Testing/Correlated Random Effects- Hausman Test 检验结果：

面板数据计量分析 白仲林

检验H0下的m2统计量

检验H0下的m3统计量 检验H0下的m1统计量 (1) 基于双随机效应和双固定效应的Hausman检验统计量 m1 = 8.842，其p = 0.012，在5%的显著性水平下，Hausman检验拒绝了零假设H0；

(2) EViews还给报告了其他两种Hausman检验。 最终，应选择个体随机时间固定的双因素效应模型。

5

第2节 “TSLS - Two-Stage Least Squares (and AR)”估计

如果选择二阶段最小二乘估计方法（“TSLS - Two-Stage Least Squares (and AR)”）面板数据模型，在“Equation Estimation”窗口中，须依次设置“Specification”、“Panel Options”、“Instruments”和“Options”页面。其中，“Specification”、“Panel Options”和“Options”页面的设置与最小二乘估计方法相同，下面主要介绍“Instruments”页面设置。

在使用二阶段最小二乘估计方法时，需要设置“Instruments”页面，以确定工具变量。该页面有两部分。在“Instrument list”编辑框指定工具变量，列示所使用的工具变量序列。“Instruments list”页面缺省时，EViews6选择的工具变量是解释变量自身。

如果模型设定时，AR项作为解释变量，可选择“Include lagged regressors for equations with AR terms”选项，自动设定模型设定中的变量作为工具变量，并且，EViews6 采用非线性OLS估计模型。

注意：在“Instruments” 编辑框无需指定常数项。

面板数据计量分析 白仲林

第3节 “GMM / DPD - Generalized Method of Moments/Dynamic Panel Data”估计

在EViews6中，使用GMM方法估计面板数据模型，也需要设置“Specification”、“Panel Options”、“Instruments”和“Options”四个页面。

1“Specification”页面

在“Specification”页面的“Estimation settings”选择框选择“GMM / DPD -Generalized Method of Moments / Dynamic Panel Data”。“Specification”页面的模型设定和样本选择与前面一致。

通常采用设定动态面板数据模型的向导“Dynamic Panel Wizard...”按钮设定动态面板数据模型的向导。它通过如下六步完成。

（1）设定被解释变量

z 编辑被解释变量

z 选择被解释变量的滞后阶数，即解释变量中AR项的阶数。 （2）设定外生的解释变量

编辑外生解释变量

面板数据计量分析 白仲林

（3）选择剔除模型中固定效应的变换方法

选择差分法Difference (as in Arellano and Bond, 1991)，差分原始数据。或者，选择正交离差

Orthogonal Deviations (Arellano and Bover, 1995)

（4）设定GMM估计的Arellano-Bond工具变量

缺省时，@DYN(CP,-2)指CP(-2)， …，CP(-T)均是ΔCP(1)的工具变量。例如，也可以设定为@DYN(CP,-2,-5)，这时，ΔCP(1)的工具变量是CP(-2)， …，CP(-5). （4）设定GMM估计的其它工具变量（Arellano and Bover，1995）

面板数据计量分析 白仲林

如果这些变量的变换后结果做为工具变量，在左侧编辑；如果用不进行变换的变量做为工具变量，在右侧编辑。

（6）设定GMM估计的迭代方法

z 选择GMM估计的迭代选项

1-step (for i.i.d. innovations) 计算Arellano-Bond 1-step 估计； 2-step (update weights once) 计算Arellano-Bond 2-step 估计； n-step (iterate to convergence) 多次迭代直至收敛。

z 选择估计系数的方差估计方法 完成模型设定和GMM工具变量的选择。

面板数据计量分析 白仲林

另外，还可以利用“Panel Options”、“Instruments”和“Options”三个页面进一步优化动态模型。其中，“Panel Options”和“Options”页面的设定与“LS”估计相应页面的设定相似。

2 动态面板数据模型GMM估计结果

计算Sargan检验的p-值

scalar pval =@chisq(13.267629393339, 12) p-value= 0.35

所以，接受“过度约束正确的零假设”。