61面板数据的特点 面板数据的优点: ◆(3)样本容量较大:同时有截面维度与时间维度,面板 数据的样本容量更大,可提高估计精度。 面板数据的缺点: ◆面板数据也会带来问题,比如,数据通常不满足独立同 分布的假定,因为同一个体在不同期的扰动项一般存在 自相关。 ◆面板数据的收集成本通常较高,不易获得
6 6.1 面板数据的特点 面板数据的优点： （3）样本容量较大：同时有截面维度与时间维度，面板 数据的样本容量更大，可提高估计精度。 面板数据的缺点： 面板数据也会带来问题，比如，数据通常不满足独立同 分布的假定，因为同一个体在不同期的扰动项一般存在 自相关。 面板数据的收集成本通常较高，不易获得
62面板数据的估计策略 一个极端策略是将其看成是截面数据而进行混合 回归( pooled regression),要求样本中每个个 体拥有相同的回归方程 ◆此策略忽略个体间不可观测或被遗漏的异质性 ( heterogeneity),而该异质性可能与解释变量 相关,导致估计不一致
7 6.2 面板数据的估计策略 一个极端策略是将其看成是截面数据而进行混合 回归(pooled regression)，要求样本中每个个 体拥有相同的回归方程。 此策略忽略个体间不可观测或被遗漏的异质性 (heterogeneity)，而该异质性可能与解释变量 相关，导致估计不一致
62面板数据的估计策略 ◆另一极端策略则是,为每个个体估计一个单独的 回归方程。此策略忽略了个体的共性,可能没有 足够大的样本容量。 ◆实践中常采用折衷的估计策略,即假定个体的回 归方程拥有相同的斜率,但可有不同的截距项, 以此来捕捉异质性
8 6.2 面板数据的估计策略 另一极端策略则是，为每个个体估计一个单独的 回归方程。此策略忽略了个体的共性，可能没有 足够大的样本容量。 实践中常采用折衷的估计策略，即假定个体的回 归方程拥有相同的斜率，但可有不同的截距项， 以此来捕捉异质性
62面板数据的估计策略 个体效应模型 yn=x1B+x106+l1+En(i=1…,m,t=1…,) z为不随时间而变的个体特征,比如性别 ◆x1可随个体及时间而变; ◆扰动项(u1+En)由两部分构成,称为“复合扰动项”不 可观测的随机变量L,是代表个体异质性的截距项
9 6.2 面板数据的估计策略 个体效应模型 为不随时间而变的个体特征，比如性别； 可随个体及时间而变; 扰动项 由两部分构成，称为“复合扰动项”不 可观测的随机变量 是代表个体异质性的截距项。 ( 1, , ; 1, , ) it it i i it y u = + + + x z i n t T = = i z it x ( ) i it u + i u
62面板数据的估计策略 ◆c随个体与时间而改变的扰动项。假设{En为id,且与 v不相关。 ◆如果与某个解释变量相关,则称为“固定效应模型”此 时,OLS不一致 ◆如果u.与所有解释变量(x12x)均不相关,则称为“随机 效应模型(简记RE)。 10
10 6.2 面板数据的估计策略 随个体与时间而改变的扰动项。假设 为iid，且与 不相关。 如果 与某个解释变量相关，则称为“固定效应模型”此 时，OLS不一致。 如果 与所有解释变量 均不相关，则称为“随机 效应模型（简记RE)。 it { }it i u i u i u ( , ) it i x z