面板数据模型(几个面板数据模型的说明)

微博Qzone微信

几种面板数据模型的说明

沃亚知识产权2020-05-11 09:51:53

1混合效应模型

也就是所有省份都一样，也就是方程一样，截距项和斜率项都一样。

Yit = c+bxit+it c和b是常数。

2固定效应模型和随机效应模型。

即所有省份都有相同的部分，即斜率项相同；也有不同的部分，就是截距项不同。

2.1固定效应模型-效应模型

yit=ai+bxit+ᵋit cov(ci，xit)0

固定效应方程意味着跨组差异可以用不同的常数项来表征。每个人工智能都被视为一个待估计的未知参数。xit中任何不随时间变化的变量都将模拟因人而异的常数项。

2.2随机效应模型随机效应模型

yit=a+ui+bxit+ᵋit覆盖(a+ui，xit)=0

a是常数项，是不可观测差异的平均值，ui是第I次观测的随机差异，不随时间变化。

3可变系数模型(可变系数也分为固定效应和随机效应)

对于每一组，一个方程用于估计。也就是说，各省线性回归方程的截距和斜率项是不同的。

yit=ui+bixit+ᵋit

1.混合估计模型是指各断面估计方程的截距和斜率项相同，也就是说回归方程的估计结果在截距和斜率项上是相同的。如果我们看看各个省份，历年来收入对消费的影响。那么所有省份的回归方程都是完全一样的，不考虑截距和斜率。

2.随机效应模型和固定效应模型在斜率方面相同，但在截距方面不同。区别在于截距项和自变量是否相关，非相关选择随机效应模型，相关选择固定效应模型。那么各省的回归方程斜率相同，但不同的是截距项，即平移项。

3.变系数模型，即无论是截距项还是系数项，对于不同的省份，每个省份都有一个回归方程，这是最适合自己的回归方程，不考虑整体。各省的回归方程在斜率和截距方面与其他省不同。

简而言之，从混合估计模型，到变截距模型，再到变系数模型，省份的考察是从完全服从整体而没有个性(回归方程是从整体的角度来确定和估计的，是一刀切的，一点区别和个性都没有，完全是自我牺牲)，到任意而完全个性化(每个省份都有一个最适合自己的回归方程)。也就是从完全非个人主义到完全个人主义。

二、一种医学伙伴对固定效用模型和随机效用模型的区分方法。

关于随机效应模型和固定效应模型的选择，通常的做法是分析两种模型，看看结果是否一致。如果一致，很少或没有异质性，选择固定效应模型。如果结果不一致且异质性较大，选择随机效应模型，进行亚组分析寻找异质性来源，得出保守结论。方法论部分的几个荟萃分析说:“所有不良结果测量都是使用随机效应模型确定的”，“所有合并的结果测量都是使用DerSimonian和Laird描述的随机效应模型确定的”。为什么我们直接用随机效应模型而不用固定效应模型？随机效应模型是因为RCTs异质性大而直接使用的吗？

1.模型的使用是根据12的值来确定的，大部分认为存在异质性> 50%，使用随机效应模型≤50%，使用固定的、具有异质性的，通过敏感性分析或亚组分析，来探索异质性的来源，但两者都是定性的，可能找不到。即使你做了很多研究，你也可以做一个元回归来发现异质性。

2.在任何情况下都要使用随机效应模型，因为如果异质性很小，那么随机效应模型和固定效应模型的最终组合结果不会有很大差异。当异质性较大时，我们只能使用随机效应模型，所以可以说在任何情况下都可以使用随机效应模型。3.还有一种模型，看P的值，一般建议P的阈值是0.1，但现在大多用0.05，也就是P > 0.05。

事实上，个人更喜欢第三种类型，因为P值可以判断是否存在异质性，I2是定量描述一致性的大小。

本来随机效应的假设是我们的样本是从一个大矩阵中抽取出来的，所以大家的期望(均值)是一样的；如果我们的样本几乎是所有的总体，就不能说个体差异是随机的，所以固定效果更好；这是从模型设置的角度。但是随机效应模型有一个致命的缺陷，就是假设cov(x，ui)=0，而固定效应不需要这个假设。豪斯曼检验研究所的工作是检验这个假设对于随机效应模型是否成立。如果不是真的，随机效应模型的估计是有偏差的。即使B-P LM测试显示有随机效应，你也无能为力。

总结:要检验固定效应是否显著，使用F检验(对比模型为pooling)；为了检验随机效应是否显著，使用了LM检验(也合并了比较模型)；固定检验和随机检验哪个更合适，用豪斯曼检验(比较fe和be)。

1 eviews可用于检验面板数据适合混合估计法还是固定效应法。

然后，进行豪斯曼检验，以确定是使用固定效应模型还是随机效应模型。

三是选择固定效应模型还是随机效应模型的豪斯曼检验

豪斯曼测试是区分固定效应模型和随机效应模型。而豪斯曼检验是对随机效应模型的检验，最初的假设是接受随机效应模型。

豪斯曼检验表明，有效估计与无效估计之差的协方差为0。即Cov(b-b，b)=Cov(b，b)-var(b)=0。

b原假设是随机效应模型有效，替代假设是固定效应模型有效。

根据C随机效应模型有效构造的统计量w服从有限卡方分布，自由度k-1。即var(b-b)=var(b)-var(b)=W

四.处理异方差性

实际上，在处理面板数据的线性回归时，我们主要考虑固定效应模型和混合OLS的异方差性。由于随机效应模型使用GLS估计，它已经控制了异方差性。

GLS(广义最小二乘法)是消除异方差的常用方法。它的主要思想是给解释变量加一个权重，这样加权重后回归方程的方差是一样的。因此，我们可以用GLS方法得到估计量的无偏和一致估计，并在OLS下进行T检验和F检验。