[平稳性测试理论的解释]面板数据分析方法步骤的完整解决方案
发布时间 :2021-03-03 00:12:19 浏览: 161次 来源:网络整理 作者:佚名
[平稳性测试理论的解释]面板数据分析方法步骤的完整解决方案

面板数据分析方法步骤的完整解决方案。也许我们已经对面板数据分析方法了解很多,但是有一个基本步骤吗?哪些步骤是必要的?这些都是我们在研究过程中需要考虑的问题,也是非常现实的问题。面板单元根测试如何执行?协整测试呢?在什么情况下应该修改模型?面板模型回归形式的选择?如何更有效地返回?我们应该如何一一分析和解决这些问题?以下是我最近对面板数据的研究的简要摘要,以与您分享,我希望每个人都可以参与讨论。步骤1:分析数据的平稳性(单位根检验)根据正式程序,面板数据模型需要在回归之前测试数据的平稳性。李自乃曾经指出,一些非平稳的经济时间序列经常表现出共同的变化趋势,而这些时间序列不一定具有直接的相关性。此时,当这些数据回归时,尽管存在较高的R平方,但结果毫无意义。这种情况称为伪回归或伪回归。他认为平稳的真正含义是:在时间序列消除不变均值(可以视为截距)和时间趋势之后,其余序列均值为零,均方差即白噪声。因此,存在用于单位根测试的三种测试模式:趋势和拦截,仅拦截,而以上都不是。

因此,为了避免虚假回归并确保估计结果的有效性,我们必须测试每个面板序列的平稳性。测试数据稳定性的最常见方法是单位根测试。首先,我们可以绘制面板序列的时间序列图,以粗略地观察表示变量的虚线是否包含时间序列图中每个观察值的趋势项和/或截距项,从而进一步得出单位根测试测试模式。准备好。单位根检验方法的文献综述:在非平稳面板数据的渐近过程中,Levin和Lin(199 3)发现这些估计量的极限分布是很早的高斯分布,这些结果也适用于具有异方差性的面板在数据中,建立了面板单元根测试的早期版本。后来,在Levin等人(200 2)进行了改进之后,提出了用于测试面板单元根的LLC方法。 200 2)指出,该方法允许不同的截距和时间趋势,异方差性和高阶序列相关性,并且适用于中等尺寸(时间序列在25到250之间,横截面在10到250之间)面板单位根检验。 Im et al。(199 7)也提出了IPS方法来测试面板的单位根,但Breitung(200 0)发现IPS方法对极限趋势的设置极为敏感,因此提出了Breitung面板单元根测试的方法。

Maddala和Wu(199 9)也提出了ADF-Fisher和PP-Fisher面板单元根检方法。根据以上评论,我们可以使用LLC,IPS,Breintung,ADF-Fisher和PP-Fisher的五种方法面板单位根检验LLC-T,BR-T,IPS-W,ADF-FCS,PP-FCS,HZ分别指Levin,Lin和Chu t *统计,Breitung t统计,lm Pesaran和Shin W统计,ADF-Fisher卡方统计量,PP-Fisher卡方统计量,Hadri Z统计量以及Levin,Lin&Chu t *统计量和Breitung t统计量的零假设是存在普通单位根过程,Lm Pesaran& Shin W统计量,ADF-Fisher卡方统计量,PP-Fisher卡方统计量,零假设是存在有效的单位根过程,而Hadri Z统计量的检验零假设是没有普通单位根过程。

有时,为方便起见,仅使用两种面板数据单元根测试方法,即相同的根单元根测试LLC(Levin-Lin-Chu)测试和不同的根单元根测试Fisher-ADF测试(注意:普通系列(非面板系列)的单位根测试方法通常是ADF测试。如果在两个检验中均拒绝了单位根的零假设,则可以说该级数是平稳的,否则就不是。如果我们用T(趋势)代表趋势项的序列,I(拦截)代表拦截项的序列,T&I代表两个项目,N(无)代表两个项目,那么我们可以基于上一个序列图要得出结论,请在单位根测试中选择相应的测试模式。但是,基于序列图得出的结论毕竟是粗略的。严格来说,这些检查结构需要一个接一个地检查。有关具体操作,请参阅李自乃的声明:ADF测试是通过三种模型完成的。首先,从具有截距和趋势项的模型开始,然后仅使用截距项对模型进行测试,最后对两者均不进行测试。 。并且我们相信,只有当三个模型的测试结果不能拒绝零假设时,我们才认为时间序列是非平稳的,并且只要其中一个模型的测试结果拒绝零假设,时间序列就可以了。可以认为是静止的。另外,单位根测试通常从级别顺序开始。如果存在单位根,则通过一阶差异测试序列,然后继续测试。如果单位根仍然存在,则执行二阶甚至更高阶的差分。检查直到序列稳定。

让I(0)是零阶单个整数,I(1)是一阶单个整数,依此类推,I(N)是N阶单个整数。)步骤2:协整检验或模型修改一:如果根据单位根检验的结果发现变量具有相同的阶次并且是单个积分,则可以执行协整检验,协整检验是一种检验长整型的方法。变量之间的长期均衡关系,所谓协整是指两个或多个非平稳的变量序列在一定的线性组合之后的序列是平稳的,这时我们说这些变量序列之间存在协整关系因此,协整的要求或先决条件是同阶单积分,但也有以下宽限声明:如果变量的数量大于两个,即解释变量的数量大于一个,则单个积分顺序解释变量的“最大”不能高于任何一个解释变量的单个整数阶。它也是解释变量的单个整数阶。当积分阶数高于解释变量的单个积分阶数时,则必须至少存在两个解释变量,其单个积分阶数高于解释变量的单个积分阶数。如果只有两个解释变量,则两个变量的单个整数阶应该相同。也就是说,如果一起测试两个或多个具有不同单个整数阶的非平稳序列,则必须存在一些低阶单个整数,即波动率相对于高阶序列。波动很小(可能波动幅度不同)的级数对协整结果的影响很小,因此不包括包装的重要性就不那么重要了。相对于最高阶数列,由于其波动较大,回归残差平稳性差会产生很大的影响,因此火博体育官网登录 ,如果协整包含一些高阶单整数序列(但如果所有变量都是相同阶数的高阶数,那么它也被称为同阶单个整数,在这种情况下,这是另一回事),它必须不包含在协整检验中。

协整检验方法的文献综述:(1) Kao(199 9),Kao和Chiang(200 0)使用广义DF和ADF检验提出了一种检验面板协整的方法,该方法是零假设是不存在协整关系,并且使用静态面板回归的残差来构建统计量。[2) Pedron(199 9)给出了零假设,即在动态多面板回归中不存在协整关系,七基于残差的面板协整测试方法。与Kao方法不同,Pedroni的测试方法允许存在异构面板。[3) Larsson等人[200 1)开发了一种基于Johansen(199 5)的面板协整测试方法向量自回归似然检验的检验方法,该检验方法是检验变量的协整秩,主要采用Pedroni,Kao和Johansen的方法,通过了协整检验,表明存在长期稳定平衡关系变量之间的关系稳定,方程的回归残差是稳定的。因此,可以在此基础上直接对原始方程进行回归,此时的回归结果更加准确。这时,我们可能还要对面板数据进行格兰杰因果关系检验(因果关系检验的前提是变量协整)。但是,如果未对变量进行协整(即相同阶数的非单次积分),则无法执行格兰杰因果关系检验,但是您可以先处理数据。

引用张小东的原话,“如果y和x的阶数不同,则不能进行格兰杰因果关系检验,但是可以通过差分序列或其他处理来获得相同阶数的单个整数序列,这取决于它们是否相同。是否存在。具有经济意义。”这里简要介绍了因果关系检验的含义:这里的因果关系是从统计的角度来看的,即通过概率或分布函数的观点:所有其他事件的发生都是固定不变的条件接下来,如果事件X的发生或不发生对另一个事件Y的概率有影响(如果事件定义了随机变量,则也可以说分布函数),并且这两个事件在时间(在B之前的A之前)面板平稳性检验,那么我们可以说X是Y的原因。考虑到最简单的形式,Granger检验使用F统计量来检验X的滞后值是否显着影响Y(从统计意义上讲,已经综合考虑了Y的滞后值;如果影响不显着,则X不是Y的“格兰杰因果”;如果影响显着亚博官方app首页 ,则X就是Y的“格兰杰因果”。类似地,这也可以用于测试Y是X的“原因”,以及y的滞后值会影响X(已经考虑了X的滞后对X本身的影响。)Eviews似乎并未在POOL窗口中提供Granger因果检验,而仅提供了单位根检验和协整检验。

说明Eviews无法对面板数据系列执行Granger测试,Granger测试只能在序列组上执行。也就是说,格兰杰因果关系检验适用于Eviews中的普通序列对(成对)。如果要对面板数据中的某些合成序列进行因果关系测试,则可能希望将相关序列导出到组(“ POOL”窗口中的“ Proc / Make Group”),然后重试。情况2:如果根据单位根检验的结果发现变量是同一阶数的非单个积分,即面板数据中的某些序列是固定的,而某些序列不是固定的,这时,不能进行协整检验和原始序列的直接回归。但是现在不要担心。我们可以在保持变量的经济意义的前提下修改我们提出的模型,以消除数据不稳定性对回归的不利影响。例如,为了区分某些序列,将基于时间频率的绝对数据更改为时间频率下的变化数据或增长率数据。目前,研究正在转向一种新的模型,但是有必要确保该模型具有经济意义。因此,通常不需要对原始序列进行二阶差分,因为我们很难在进一步差分之后对变量数据或增长率数据进行经济上的解释。您称它的变化率是变化率吗?步骤3:面板模型的选择和回归面板数据模型的选择通常有三种形式:一种是集合回归模型。

从时间上看,不同个体之间没有显着差异;从横截面视图来看,不同横截面之间没有显着差异,然后可以使用普通最小二乘法(OLS)估计参数将面板数据直接混合在一起。一种是固定效果模型(固定效果回归模型)。如果不同部分或不同时间序列的模型截距不同,则可以使用向模型中添加虚拟变量的方法来估计回归参数。一种是随机效应回归模型。如果固定效应模型中的截距项包括横截面随机误差项和时间随机误差项的平均效应,并且这两个随机误差项均服从正态分布,则固定效应模型将成为随机效应模型。在面板数据模型形式的选择方法中,我们经常使用F检验来决定选择混合模型还是固定效应模型,然后使用Hausman检验来确定是随机效应模型还是固定效应模型。应该建立模型。检查之后,我们知道要选择哪个模型,然后开始进行回归:在回归中,可以通过横截面权重来选择权重。对于大于时间序列的横截面数,在数字情况下尤其如此,这意味着允许不同的横截面具有异方差性。

估计方法采用PCSE(面板校正标准误差)方法。 Beck and Katz(199 5))引入的PCSE估计方法是面板数据模型估计方法的一项创新,它可以有效地处理复杂的面板误差结构,例如同步相关,异方差,串行相关等。样本大小不够大。特别有用。(1)创建一个池对象。首先创建一个工作文件。打开工作文件窗口后,单击EViwes主功能菜单上的“对象”按钮,然后选择“新建对象”功能以打开“新建对象对象”选择窗口,在“对象类型”选择区域中,选择“池”(组合数据库),在“对象名称”选择区域中亚博视讯 ,将混合数据库命名为Pool01(初始显示为“无标题”)(2)。定义序列名称并输入数据在“新建”中,单击“池”窗口工具栏中的“工作表”按钮(第二个路径是,单击“查看”按钮并选择“电子表格(堆叠数据)”功能)以打开“序列表”窗口并定义e时间序列变量Y?和X。单击确定按钮以打开“池”窗口,(单击编辑+-按钮以使EViwes可编辑)并输入数据。

补充:单击Order +-按钮,也可以按时间顺序将其转换为数组排列。还可以通过以池数据和非合并数据的形式复制和粘贴来创建工作文件。 (3)要估计模型,请单击“估计”按钮,然后将弹出“合并估计”对话框。EViwes可用于估计固定效果模型(包括单个固定效果模型,时间固定效果模型和时间单个固定效果模型)。 ),随机效应模型,具有AR(1)参数的模型以及针对不同横截面具有不同回归系数的面板数据模型。EViwes可以选择普通最小二乘法,加权最小二乘法(由横截面模型的方差加权) ),并且似乎有所不同相关回归方法估计模型参数补充:在本文中,eviews 6. 0和eviews 5. 1的界面仍然明显不同,前者的界面被安排了5. 1在软件中,通过选择拦截项来确定模型的类型,在6. 0中的e中,通过选择估计方法来选择模型的类型。 •固定效果模型位于面板数据中在散点图中,如果不同部分或不同时间序列的模型截距不同,则可以通过向模型中添加虚拟变量来估计回归参数。该模型称为固定效应模型(固定效应回归模型)。型号)。

固定效应模型有三种类型,即实体固定效应回归模型,时间固定效应回归模型以及时间和实体固定效应回归模型。 )。 •个体固定效应模型。个体固定效应模型是针对不同个体具有不同截距的模型。如果对于不同的时间序列(个体)截距不同,但是对于不同的横截面,模型的截距没有明显变化,则应建立单独的固定效应模型。 •时间固定效应模型。固定时间效应模型是针对不同部分(时间点)具有不同截距的模型。如果已知不同部分的模型截距明显不同,但不同时间序列(个体)的截距相同,则应建立时间固定效应模型。 •始终具有单独的固定效果模型。时间个体固定效应模型是针对不同部分(时间点)和不同时间序列(个体)具有不同截距的模型。如果知道不同横截面和不同时间序列(个体)模型的截距明显不同,则应建立一个时间个体效应模型。

•随机效应模型在固定效应模型中使用虚拟变量的原因是,解释所解释变量的信息不完整。信息不足也可以通过分解误差项来描述。 yit = a + b1 xit + eit其中误差项在时间和横截面上相关,由3个分量表示,如下所示:eit = ui + vt + wit其中ui〜N(0,su 2)表示交叉的随机误差部分分量; vt〜N(0,sv 2)表示时间随机误差分量; wit〜N(0,sw 2)表示混合随机误差分量。同时,还假定ui,vt ,wit彼此不相关,并且彼此独立没有横截面自相关,时间自相关和混合自相关上面的模型称为随机效应模型面板平稳性检验,随机效应模型与固定效应模型之间的比较等价于将固定效应模型中的截距项视为两个随机变量,一个是横截面随机误差项(ui),另一个是时间随机误差项(vt)。服从正态分布,估计模型时可以保存自由度,因为在这种情况下,仅需要两个估计。随机误差项的均值和方差。假设固定效应模型中的截距项包括横截面随机误差项和时间随机误差项的平均效应,并且与均值的偏差分别为ui和vt,则固定效应模型将发生变化成为随机效应模型。补充:如果研究是基于样本自身的效应,则应选择固定效应模型。如果要使用样本来推断总体效果,则应使用随机效果模型。 @qfdist(0. 95,k1,k 2) = 1. 87 @fdist(1. 87,k1,k 2) = 0. 05

上一篇 如何为韩式婚礼照片和新娘发型制作迷人的新娘发型
深圳公司:
亚博-app官网入口
Shenzhen Moan Enterprise Image Design Co., Ltd.
深圳市福田区红荔西路第壹世界广场B座15A
15A,Building B,First World Plaza,No,7002,West Hongli Rd,Shenzhen
400-833-0755
135 9035 8806
0755-8392 3996
香港公司:
香港摩恩企业形象设计有限公司
Hong Kong Moan Enterprise Image Design Co., Ltd.
香港尖沙咀海港城海运大厦叁楼302室
Room 302, 3 / F, Maritime Building, Harbour City, Tsim Sha Tsui, Hongkong.
00852-6778 6216
Copyright © 2008-2019 | All Rights Reserved   |  亚博-app官网入口  粤ICP备06061602号