苹果/安卓/wp
积分 110, 距离下一级还需 35 积分
权限: 自定义头衔
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
开心签到天数: 145 天连续签到: 13 天[LV.7]常住居民III
各位，我可以用stata求截面数据，但是面板数据怎么回归分析啊？求大神指点
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
set more off
encode country, generate(cm) label(cm) 因为一般的country变量是红色的 无法设置面板 因此要encode一下
xtset cm year
然后自己加变量 xtreg y x1 x2, xtreg yx1 x2 re&&
然后hausman 检验
热心帮助其他会员
总评分:&经验 + 10&
热心指数 + 1&
本帖最后由 taoqq 于
09:07 编辑
xtset province year **告诉stata你要做面板数据分析**
/***********************检验到底用混合回归还是固定效应回归******这里看固定效用下面F检验，如果拒绝就应该选择则固定效应模型************************************************/
reg y x1 x2,vce(cluster prov)
estimates store ols
xtreg y x1 x2,fe vce(cluster prov)
estimates store FE_robust
/*********************检验用固定效应回归还是用随机效应*******************看hausman结果，拒绝用固定效应********************************/
xtreg y x1 x2,fe
estimates store FE
xtreg y x1 x2,re
estimates store RE
hausman FE RE,constant sigmamore
热心帮助其他会员
总评分:&经验 + 10&
学术水平 + 1&
热心指数 + 1&
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师年间，I类地区的地区CO2偏离度平均为0.769，Ⅱ类地区平均为－0.264。就2011年的情况来看，I类地区占全国CO2排放总量的52%，比Ⅱ类地区高出42718.06万吨，各省份平均CO2排放比Ⅱ类地区高出8072.18万吨。I类地区就业人员总量为31491.28万人，占全国就业人员总量的36%，比Ⅱ类地区少22184.32万人，各省份平均就业人员总量比Ⅱ类地区少1132.82万人。显然，这两类地区CO2排放与就业人员的分布特征存在较大差异，在这两类地区实施相同的低碳经济政策措施可能会对就业产生不同的影响。
五、基于地区CO2结构偏离度的实证分析
（一）模型设定
本文将分别检验约束型低碳经济政策手段对地区CO2结构偏离度正负不同的两类地区就业的影响。如前文所述，约束型低碳经济政策手段可以从宏、微观不同层面通过多种途径影响劳动力需求，本文选取主要影响因素进行计量分析，设定计量模型如式（5）所示：
模型中i表示地区，β0为常数项；β1、β2、β3、β4为变量的估计系数，εit为随机误差项，t表示年份，L表示就业人数，w表示工资水平，gdp表示国内生产总值，z表示污染投入的数量。中国CO2排放主要来源于化石能源消费，因此，污染投入量选取能源消费量来度量。为了消除异方差，对变量L、z、w、gdp做对数处理。
p表示污染投入价格，在低碳经济政策约束条件下，污染投入价格不仅表现为污染投入的市场价格，而且包含政策约束价格。本文用燃料、动力购进价格指数反映污染投入的市场价格变动，这项指标可以反映约束型低碳经济政策手段对能源价格的影响。中国能源消费以煤炭和石油为主，煤炭价格和石油价格长期由政府管制，2009年，国家发改委宣布退出电煤谈判过程，煤炭价格完全市场化，但是煤炭市场价格机制并不健全，石油价格市场化改革尚在探索中，因此，中国能源价格受政策影响成份较大。在减排目标压力下，能源价格升高是必然趋势，本文用计量模型估计污染投入市场价格与就业量的关联，借此反映约束型低碳经济政策手段对就业的影响。本文选用环境污染治理投资额反映污染投入的政策约束价格。污染投入的政策约束价格即为使用化石能源所支付的化石能源市场价格之外的成本，比如税、费、罚款以及治理污染所支付的费用。中国环境污染治理投资包括城市环境基础设施建设投资、工业污染源治理投资和建设项目“三同时”环保投资，资金来源于排污费补助、政府其他补助及企业自筹，其中企业自筹资金占90%以上，因此，用污染治理投资反映污染投入的政策约束价格具有较强的代表性。
交互项plnz反映约束型低碳经济政策手段约束强度对就业量的影响。在多元回归模型中引入交互项可以反映两个解释变量之间的交互作用，表明某个解释变量对被解释变量的作用是借助另一解释变量对被解释变量的作用而发挥的，这一方法是由I. Cohen和P. Cohen（1983）提出。交互作用的显著性可以通过交互项系数的统计显著性得以验证。在其他条件不变时，交互项系数绝对值越大，说明交互作用越强（贝里，2011）。交互项plnz的系数β2表明当p改变一个单位时lnz系数变化的单位数量。
（二）数据来源及处理
本文样本为30个省份的年度数据，数据来源于历年《中国统计年鉴》、《中国劳动统计年鉴》、《中国环境统计年鉴》、《中国能源统计年鉴》及各省份地方统计年鉴的年度数据。就业人数为年末就业人员数，工资水平为职工平均工资，化石能源消费量为能源消费总量，污染投入价格分别用燃料、动力购进价格指数和污染治理投资总额表示。表1分别对两类地区的面板数据进行了描述性统计。
当p取值为燃料、动力购进价格指数，样本时间为年时，工资水平、国内生产总值均以1990年为基期经过居民消费价格指数平减，燃料、动力购进价格指数以1990年为基期。当p取值为污染治理投资总额，样本时间为年时，工资水平、环境污染治理投资总额、国内生产总值均以2004年为基期经过居民消费价格指数平减。
（三）模型设定检验与经验估计
一般面板数据可以采用混合OLS回归、固定效应模型和随机效应模型三种方法进行分析。本文首先对所有方程固定效应模型回归结果做F检验，检验结果拒绝零假设，说明固定效应模型优于混合OLS回归模型。然后对随机效应模型回归结果做BPLM检验（Breusch and Pagan Lagrangian Multiplier检验），结果显示对于所有方程随机效应模型均优于混合OLS回归。对所有方程使用固定效应和随机效应模型进行回归，并进行Hausman检验，根据P值，均拒绝随机效应和固定效应的系数无系统差异的原假设，也就是说，随机效应模型的估计不一致，固定效应模型更为合适。
为了严谨起见，本文分别选用固定效应模型和随机效应模型进行回归。对所有方程分别进行面板异方差和自相关检验，发现均存在异方差和一阶序列相关，对固定效应模型采用面板修正的标准差估计进行修正，对随机效应模型采用广义最小二乘法进行修正，表2报告了回归结果。各方程模拟结果均显著。
各个方程的回归结果均显示，就业与污染投入量显著正相关，说明依靠减少化石能源消费量来抑制CO2排放对就业会形成减损效应。从lnz系数大小来看，I类地区就业对污染投入的反应敏感程度明显低于Ⅱ类地区，也就是说，如果要求两类地区减少相同数量的化石能源消费，Ⅱ类地区所受到的就业冲击比I类地区大，主要是因为I类地区就业对能源消费的依赖程度低于Ⅱ类地区。I类地区单位能源消费的就业创造力（就业量与能源消费量的比值）平均0.267人/吨标准煤，Ⅱ类地区0.596人/吨标准煤①，Ⅱ类地区就业对能源的依赖程度是I类地区的2.23倍。
从各个方程lnw的系数绝对值的大小对比来看，I类地区就业对工资率的反应比Ⅱ类地区的反应更为敏感，原因是I类地区市场化程度高，要素价格对生产要素投入的调节能力相对较强。
各个方程交互项p值均显著，说明约束型低碳经济政策手段与污染投入量对两类地区就业存在交互影响，但是从交互项系数绝对值来看，影响程度不大。当采用燃料、动力购进价格指数来验证约束型低碳经济政策的影响时，两类地区交互项系数均为负值，表明提高污染投入价格导致污染投入的系数下降，提高污染投入价格对就业的直接影响都是负面的，原因是提高污染投入价格所导致的对劳动力需求的成本效应超过了替代效应。采用污染治理投资额进行回归时，I类地区交互项系数显著为正，Ⅱ类地区交互项系数却显著为负，表明在I类地区增加污染治理投资额有利于提高污染投入拉动就业增长的能力，在Ⅱ类地区却会降低污染投入拉动就业增长的能力。主要原因是污染治理投资本身借拉动经济增长而推动就业增长的作用在两类地区存在差异，这一点由lngdp的系数也可见一斑，I类地区经济增长推动就业增长的能力是Ⅱ类地区的2～5倍。
六、结论与政策建议
约束型低碳经济政策会增加企业的生产成本，引致对劳动力需求的替代效应和成本效应。本文按照地区CO2结构偏离度系数将30个省份划分为两类地区，对提高能源价格和污染治理投资这两种约束型低碳经济政策手段的就业效应进行了实证分析，结果显示中国采取约束型低碳经济政策手段可能会对就业产生如下影响：第一，就总体而言，两类地区的就业量与化石能源消费量都是正相关的，这预示着依靠减少化
欢迎转载：
推荐： 　　　出自 MBA智库百科()
面板数据（Panel Data）
　　面板数据也叫“平行数据”，是指在上取多个截面，在这些截面上同时选取观测值所构成的样本数据。
　　其有时间序列和截面两个维度，当这类按两个维度排列时，是排在一个平面上，与只有一个维度的数据排在一条线上有着明显的不同，整个表格像是一个面板，所以把panel data译作“面板数据”。但是，如果从其内在含义上讲，把panel data译为“时间序列—”更能揭示这类数据的本质上的特点。也有译作“平行数据”或“TS-CS数据（TimeS eries-Cross Section）”。
　　步骤一：分析的平稳性（）
　　按照正规程序，面板数据模型在回归前需检验的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spuriou sregression）。他认为平稳的真正含义是：一个剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。
　　因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表的折线是否含有趋势项和（或）截距项，从而为进一步的的检验模式做准备。
　　单位根检验方法的文献综述：在非平稳的面板数据渐进过程中，Levin and Lin(1993)很早就发现这些的极限分布是，这些结果也被应用在有异方差的面板数据中，并建立了对面板单位根进行检验的早期版本。后来经过Levinetal.(2002)的改进，提出了检验面板单位根的LLC法。Levinetal.(2002)指出，该方法允许不同截距和时间趋势，异方差和高阶序列，适合于中等维度(介于25～250之间，截面数介于10～250之间)的面板。Imetal.(1997)还提出了检验面板单位根的IPS法，但Breitung(2000)发现IPS法对限定性趋势的设定极为敏感，并提出了面板单位根检验的Breitung法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。
　　由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher5种方法进行面板单位根检验。
　　其中LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z分别指Levin，Lin&Chut*、Breitungt统计量、lmPesaran & ShinW统计量、ADF-Fisher Chi-square统计量、PP-Fisher Chi-square统计量、HadriZ统计量，并且Levin，Lin&Chut*统计量、Breitungt统计量的原假设为存在普通的单位根过程，lm Pesaran & Shin W统计量、ADF-FisherChi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程，HadriZ统计量的检验原假设为不存在普通的单位根过程。
　　有时，为了方便，只采用两种面板数据单位根检验方法，即相同根单位根检验LLC（Levin-Lin-Chu）检验和不同根单位根检验Fisher-ADF检验（注：对普通序列（非面板序列）的单位根检验方法则常用ADF检验），如果在两种检验中均拒绝存在单位根的原假设则我们说此序列是平稳的，反之则不平稳。
　　如果我们以T（trend）代表序列含趋势项，以I（intercept）代表序列含截距项，T&I代表两项都含，N（none）代表两项都不含，那么我们可以基于前面时序图得出的结论，在单位根检验中选择相应检验模式。
　　但基于时序图得出的结论毕竟是粗略的，严格来说，那些检验结构均需一一检验。具体操作可以参照李子奈的说法：ADF检验是通过三个模型来完成，首先从含有截距和趋势项的模型开始，再检验只含截距项的模型，最后检验二者都不含的模型。并且认为，只有三个模型的检验结果都不能拒绝原假设时，我们才认为时间序列是非平稳的，而只要其中有一个模型的检验结果拒绝了零假设，就可认为时间序列是平稳的。
　　此外，单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。我们记I(0)为零阶单整，I(1)为一阶单整，依次类推，I(N)为N阶单整。
　　步骤二：或模型修正
　　情况一：如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些序列间有协整关系存在。因此协整的要求或前提是同阶单整。
　　但也有如下的宽限说法：如果个数多于两个，即解释变量个数多于一个，被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时，则必须至少有两个解释变量的单整阶数高于被解释变量的单整阶数。如果只含有两个解释变量，则两个变量的单整阶数应该相同。
　　也就是说，单整阶数不同的两个或以上的非平稳序列如果一起进行，必然有某些低阶单整的，即波动相对高阶序列的波动甚微弱（有可能波动幅度也不同）的序列，对协整结果的影响不大，因此包不包含的重要性不大。而相对处于最高阶序列，由于其波动较大，对回归残差的平稳性带来极大的影响，所以如果协整是包含有某些高阶单整序列的话（但如果所有变量都是阶数相同的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其纳入。
　　协整检验方法的文献综述：(1)Kao(1999)、KaoandC hiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法，这种方法零假设是没有协整关系，并且利用静态面板回归的残差来构建统计量。(2)Pedron(1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是，Pedroni的检验方法允许异质面板的存在。(3)Larssonetal(2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法，这种检验的方法是检验变量存在共同的协整的秩。
　　主要采用的是Pedroni、Kao、Johansen的方法。
　　通过了协整检验，说明变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的。因此可以在此基础上直接对原方程进行回归，此时的回归结果是较精确的。
　　这时，我们或许还想进一步对面板数据做因果检验（因果检验的前提是变量协整）。但如果变量之间不是协整（即非同阶单整）的话，是不能进行格兰杰因果检验的，不过此时可以先对数据进行处理。引用张晓峒的原话，“如果y和x不同阶，不能做格兰杰因果检验，但可通过差分序列或其他处理得到同阶单整序列，并且要看它们此时有无意义。”
　　下面简要介绍一下因果检验的含义：这里的因果关系是从统计角度而言的，即是通过或者分布函数的角度体现出来的：在所有其它事件的发生情况固定不变的条件下，如果一个事件X的发生与不发生对于另一个事件Y的发生的概率（如果通过事件定义了那么也可以说分布函数）有影响，并且这两个事件在时间上又有先后顺序（A前B后），那么我们便可以说X是Y的原因。考虑最简单的形式，Granger检验是运用F-统计量来检验X的滞后值是否显著影响Y（在统计的意义下，且已经综合考虑了Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Granger cause）；如果影响显著，那么称X是Y的“Granger原因”。同样，这也可以用于检验Y是X的“原因”，检验Y的滞后值是否影响X（已经考虑了X的滞后对X自身的影响）。
　　好像没有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test。说明Eviews是无法对面板数据序列做格兰杰检验的，格兰杰检验只能针对序列组做。也就是说格兰杰因果检验在Eviews中是针对普通的序列对(pairwise)而言的。你如果想对面板数据中的某些合成序列做因果检验的话，不妨先导出相关序列到一个组中(POOL窗口中的Proc/Make Group)，再来试试。
　　情况二：如果如果基于单位根检验的结果发现变量之间是非同阶单整的，即面板数据中有些序列平稳而有些序列不平稳，此时不能进行协整检验与直接对原序列进行回归。但此时也不要着急，我们可以在保持变量经济意义的前提下，对我们前面提出的模型进行修正，以消除数据不平稳对回归造成的不利影响。如差分某些序列，将基于时间频度的绝对数据变成时间频度下的变动数据或数据。此时的研究转向新的模型，但要保证模型具有经济意义。因此一般不要对原序列进行二阶差分，因为对变动数据或增长率数据再进行差分，我们不好对其冠以经济解释。难道你称其为的变动率？
　　步骤三：面板模型的选择与回归
　　面板数据模型的选择通常有三种形式：
　　1.混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通（OLS）估计参数。
　　2.固定效应模型（Fixed Effects Regression Model）。如果对于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加的方法估计回归参数。
　　3.随机效应模型（Random Effects Regression Model）。如果固定效应模型中的截距项包括了截面项和时间随机误差项的平均效应，并且这两个随机误差项都服从正态分布，则固定效应模型就变成了随机效应模型。
　　在面板数据模型形式的选择方法上，我们经常采用决定选用还是固定效应模型，然后用Hausman检验确定应该建立随机效应模型还是固定效应模型。
本条目对我有帮助21
&&如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请。
本条目相关文档
& 22页& 4页& 36页& 24页& 26页& 15页& 15页& 10页& 43页& 3页
本条目由以下用户参与贡献
(window.slotbydup=window.slotbydup || []).push({
id: '224685',
container: s,
size: '728,90',
display: 'inlay-fix'
评论(共0条)提示:评论内容为网友针对条目"面板数据"展开的讨论，与本站观点立场无关。
发表评论请文明上网，理性发言并遵守有关规定。
以上内容根据网友推荐自动排序生成