12.3面板数据模型的估计方法面板数据模型中回归系数β的估计量既不同于截面数据条件下的回归系数估计量，也不同于时间序列条件下的回归系数估计量，其性质随模型类型的设定是否正确，是否采用了相应正确的估计方法而变化。面板数据模型中的解释变量Xi可以是时变的，也可以是非时变的（例如含有虚拟变量）。下面针对不同类型的面板数据模型介绍5种估计方法。12.3.1混合最小二乘（PooledOLS）估计（略）12.3.2组内估计（略）12.3.3最小二乘虚拟变量估计法（略）12.3.4一阶差分估计12.3.5可行GLS估计法（随机效应估计法）（第4版311页）
12.3 面板数据模型的估计方法 面板数据模型中回归系数 的估计量既不同于截面数据条件下的回归系数估 计量，也不同于时间序列条件下的回归系数估计量，其性质随模型类型的设定是否 正确，是否采用了相应正确的估计方法而变化。面板数据模型中的解释变量 Xit 可 以是时变的，也可以是非时变的（例如含有虚拟变量）。下面针对不同类型的面板 数据模型介绍 5 种估计方法。 12.3.1 混合最小二乘（Pooled OLS）估计（略） 12.3.2 组内估计（略） 12.3.3 最小二乘虚拟变量估计法 12.3.4 一阶差分估计 （略） 12.3.5 可行 GLS 估计法（随机效应估计法） （第4版311页）
12.3.3最小二乘虚拟变量估计法以个体固定效应模型为例，Yit= αi +Xit'β+ uit, i=1, 2, .., N; t= 1, 2, ..., T用N个虚拟变量Di，i=1,2，...,N区别N个不同的αisYit= α Di+ α2 D2 +... +anDn+Xit'β+uitst= 1, 2, ..., T对上式利用OLS法估计回归系数，称这种方法为最小二乘虚拟变量估计法（leastsquaredummyvariableestimation，LSDV）。如果模型是正确设定的，且符合模型全部假定条件，则回归系数估计量是无偏的，有效的，一致估计量。EVieWs采用的是LSDV法。（第4版313页）
12.3.3 最小二乘虚拟变量估计法 以个体固定效应模型为例， yit = i +Xit ' + uit , i = 1, 2, ., N; t = 1, 2, ., T 用 N 个虚拟变量 Di , i = 1, 2, ., N 区别 N 个不同的i， yit = 1 D1 + 2 D2 + . +N DN + Xit ' + uit , t = 1, 2, ., T 对上式利用 OLS 法估计回归系数，称这种方法为最小二乘虚拟变量估计法（least square dummy variable estimation, LSDV）。如果模型是正确设定的，且符合模型 全部假定条件，则回归系数估计量是无偏的，有效的，一致估计量。 EViews 采用的是 LSDV 法。 （第4版313页）
12.3.5可行GLS估计法（随机效应估计法）对于随机效应模型，常用的估计方法是可行GLS（feasibleGLS）估计法，也称作随机效应估计法。只要模型假定条件成立，可行GLS估计量不但是一致估计量，而且是有效估计量。下面以个体随机效应模型为例介绍可行GLS估计法。有个体随机效应模型Yu=β+Xit'β+(vi+uit)其中β为常数。v，ui是服从独立同分布的随机项。v,只与个体i有关系，与时间t无关。假定条件见模型（12.11）对上式计算平均值，得（第4版314页）J=β+x'β+(i+u)其中J，、x，、ü的定义见式（12.15)。因为v只与个体i有关系，与时间t无关，所以在平均值表达式中仍写为v。上式两侧同乘入后与个体随机效应模型表达式相Yi-,=(1-)β+(Xi-x,)β+wit(12.22)减，得其中wit=(1-)ni+(ut-）渐近服从独立同分布，其中定义，=1-Qu无是的一致估计量。对式（12.22）应用OLS估计，则所得β的估2+Toα0计量称为可行GLS估计量或随机效应估计量。当元=0时，式（12.22）等同于混合模型的混合OLS估计式；当入=1时，式（12.22）等同于组内估计式（12.16）
12.3.5 可行 GLS 估计法（随机效应估计法） 对于随机效应模型，常用的估计方法是可行 GLS（feasible GLS）估计法，也 称作随机效应估计法。只要模型假定条件成立，可行 GLS 估计量不但是一致估计 量，而且是有效估计量。 下面以个体随机效应模型为例介绍可行 GLS 估计法。 有个体随机效应模型 yit = 0 +Xit ' + (vi + uit ) 其中0为常数。vi，uit是服从独立同分布的随机项。vi只与个体 i 有关系，与时间 t 无关。假定条件见模型（12.11）。 对上式计算平均值，得 i y = 0 + Xi ' + ( vi + i u ) 其中 i y 、 Xi 、 i u 的定义见式（12.15）。因为 vi只与个体 i 有关系，与时间 t 无关， 所以在平均值表达式中仍写为 vi。上式两侧同乘 ˆ 后与个体随机效应模型表达式相 减，得 yit - i y ˆ = (1- ˆ )0 + (Xit - ˆ Xi )' + wit （12.22） 其 中 wit = (1- ˆ )vi + (uit - ˆ i u ) 渐近服从独立同分布，其中定义， = 1- 2 2 u T u + ， ˆ 是的一致估计量。对式（12.22）应用 OLS 估计，则所得的估 计量称为可行 GLS 估计量或随机效应估计量。当 ˆ = 0 时，式（12.22）等同于混 合模型的混合 OLS 估计式；当 ˆ =1 时，式（12.22）等同于组内估计式（12.16）。 （第4版314页）