对外经济贸易大学金融学院张海洋 然而，该统计量有时候是不一致的，如果在命令中要求报告稳健的Sargan统计量，软件? ；再根会做两阶段GMM估计（先找任意合理的H，令 A=( Z'HZ ，估计出第一步参数，令，估计出第二部参数β ? ，计算出残差项的方差-协方差矩阵）据β 1 2 ， 1 根据第二步的参数结果，默默报告出Hansen统计量。整体上说，Hansen统计量好像更靠谱一点，所以报告的时候，更多关注Hansen统计量。（三）动态面板数据现在回到我们的动态面板数据，对数据和模型有如下假定： 1 2 3 4 动态。模型中包含了因变量的滞后项；有个体的固定效应；可以有一些自变量是内生的；除了固定效应之外的误差项可以异方差，可以序列相关； 5 不同个体之间的误差项和不会相关。 6 7 可以有前定的（Predetermined）但不是完全外生的变量。“大N，小T” ，即个体数量要足够多，但时间不用太长。如果时间足够长的话，动态面板误差不会太大，用固定效应即可。从上述要求可以看出，GMM方法特别适合宏观的面板数据分析，因为宏观变量中，很难找出绝对外生的变量，变量之间多少会互相影响。而GMM方法可以“有一些自变量是内生的” ，这可能也是GMM
方法在文献中这么常用的原因。此前已经说过，不能用传统的OLS方法或者固定效应模型进行动态面板数据的分析，那样会得到有偏的估计量。先要对数据进行一定的变换，然后根据不同的矩条件设定开展矩估计。其中数据变换有两种方法，矩条件的设定也有两种方法。 6 对外经济贸易大学金融学院张海洋 1、数据的变换方法：一阶差分还是垂直离差为了消除动态面板数据中的固定效应，通常用的有两种方法：一阶差分 (first difference和垂直离差(orthogonal deviations。一阶差分之前已经介绍过了，这种方法是difference GMM 中默认的方法。缺点是如果数据中有缺失值，那么最终的估计会缺失很多样本，原始数据缺一行往往会导致差分后的数据缺两行。一种替代的方案是用垂直离差（xtabond2 命令中用 orthogonal 选项实现），每个变量减去该变量未来所有观测值的平均值，即： 式子中，为调整权重变量， Tit 是从t 期开始以后观测值的数量。对于非平衡面板，和数据有缺失的面板，这种方法避免了因缺失数据带来的样本损失，因为调整的时候只是把未来的平均值减去，样本数不会因缺失未来个别观测值而受损。然而，对于平衡面板数据，一阶差分和垂直离差估计出来的结果会完全一样。 2、 Different GMM 还是 System GMM 令数据变换之后的回归方程变为（5）这种变换可以是一阶差分，也可以是垂直离差。Different GMM的逻辑是，如果是垂直离差变换，用作为的工具变量；如果是一阶差分变换，用 作为的工具变量，此时。 X it * 对应的工具变量也类似，如果是垂直离差，就用滞后一阶的，如果是差分就用滞后一阶的差分作为工具变量。在实现的时候，为了提高估计的有效性，通常还会加入更高阶的滞后项（滞后差分）作为工具变量。这些变量的加入利用了更多的信息，然而也会带来麻烦，让工具变量的数量随T平方成比例增加。为了控制工具变量的数量，一个选择就是采用collapse选项把这些工具变量变成一列。如果因变量的变化过程接近随机游走，那么Difference GMM的估计量会有较大偏差。 7
MATLAB空间面板数据模型操作简介 MATLAB安装：在民主湖资源站上下载MA TLAB 2009a，或者2010a，按照其中的安装说明安装MATLAB。（MATLAB较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局： 首先我们说一下MA TLAB处理空间面板数据时，数据文件是怎么布局的，熟悉eviews的同学可能知道，eviews中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中“1-94”“1-95”“1-96”“1-97”中，1是省份的代号，94,95,96,97表示年份，eviews是将每个省份的数据放在一起，再将所有省份堆放在一起。 与eviews不同，MATLAB处理空间面板数据时，面板数据的布局是（在excel中说明）：先排放一个横截面上的数据（即某年所有省份的数据），再将不同年份的横截面按时间顺序堆放在一起。如图：
这里需要说明的是，MA TLAB中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。 二、数据的输入： MATLAB与excel链接：在excel中点击“工具→加载宏→浏览”，找到MA TLAB的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为：C:\Programfiles\MATLAB\R2009a\toolbox\exlink，点击excllink.xla即可完成excel与MATLAB的链接。这样的话excel中的数据就可以直接导入MATLAB中形成MATLAB的数据文件。操作完成后excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB”即表示我们希望excel 与MATLAB实现链
********* 计量分析与STA TA应用********* * 主讲人：连玉君博士 * 单位：中山大学岭南学院金融系 * 电邮: arlionn@https://www.doczj.com/doc/2611388757.html, * 主页: https://www.doczj.com/doc/2611388757.html,/arlion * ::高级部分:: * 计量分析与Stata应用 第七讲面板数据模型 * ========================== * 7.8 动态面板模型 * Part I cd D:\stata10\ado\personal\Net_course\B7_Panel *------------------------------- * 动态面板模型 *------------------------------- * 7.8.1 简介 * 7.8.2 一阶差分IV估计量(Anderson and Hisao, 1982) * 7.8.3 一阶差分GMM估计量(Arellano and Bond, 1991) * 7.8.4 系统GMM估计量(AB,1995; BB,1998) * 7.8.5 纠偏LSDV估计 * 7.8.6 各种估计方法的对比分析——一个模拟 * == 简介== * * 模型：y[it] = a0*y[it-1] + a1*x[it] + a2*w[it] + u_i + e[it] * * 特征：解释变量中包含了被解释变量的一阶滞后项 * 可以是非平行面板，但要保证时间连续 * x[it] ——严格外生变量E[x_it,e_is] =0 for all t and s * 即，所有干扰项与x都不相关 * w[it] ——先决变量E[w_it,e_is]!=0 for s
利用geoda计算空间误差模型和空间滞后模型 步骤1计算空间权重矩阵 步骤2比较LMerror、robusterror LMlag robustlag的值，决定模型的类型。 步骤3利用模型得出结果。 1打开geoda 2打开shp文件file-new project from –shp注意英文路径
3打开结果如图所示 4计算权重文件tools-weights-creat ID变量选择一个唯一值，一般选择ID。 1.rook：表示共边为邻接； 【与arcgis中的Polygoncontiguity(edges only)对应】2.queen：表示共边或共点为邻接；
【与arcgis中的Polygon contiguity(edgesand corners)对应】 基于距离（Distance）关系的空间权重 1.threshold：表示既定距离下的相关，一般软件有默认一个最小值，但可视实际情况调整（一般应大于最小值）； 【arcgis中的inverse distance/fixed distance 都要设置threshold距离】2.K-nearest：表示指定某个多边形周围的多边形个数（K=3,4,5,6...）。【与arcgis中的K-nearest neighbors对应】 这里选择rook 创建完毕 5计算三种模型及诊断结果 Methods-regression -
选择因变量和自变量，勾选weights file，选择刚刚创建的权重文件。Methods选择classic，勾选 点击run。
注意看报告。PROB值越小表示通过R检验，表示精度较好。Value 表示其值的大小。首先比较LMlag和LMerror的大小，二者都比较显著，均可进行分析；若二者都不显著，则比较ROBUSTlag和robusterror，选择较大值的模型。 6选择恰当的模型进行分析 Methods-regression-,选取自变量和因变量，选择空间权重矩阵，选择模型spatial error or spatial lag，点击run即可。
1.什么是面板数据？ 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。 如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。 如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为： 北京市分别为8、9、10、11、12； 上海市分别为9、10、11、12、13； 天津市分别为5、6、7、8、9； 重庆市分别为7、8、9、10、11（单位亿元）。 这就是面板数据。 2.面板数据的计量方法 利用面板数据建立模型的好处是：（1）由于观测值的增多，可以增加估计量的抽样精度。（2）对于固定效应模型能得到参数的一致估计量，甚至有效估计量。（3）面板数据建模比单截面数据建模可以获得更多的动态信息。例如1990-2000 年30 个省份的农业总产值数据。固定在某一年份上，它是由30 个农业总产值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由30 个个体组成。共有330 个观测值。 面板数据模型的选择通常有三种形式：混合估计模型、固定效应模型和随机效应模型 第一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；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最小二乘法（OLS）估计参数。 第二种是固定效应模型（Fixed Effects Regression Model）。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixed effects regression model）。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model）、时刻固定效应模型（time fixed effects regression model）和时刻个体固定效应模型（time and entity fixed effects regression model）。（1）个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型。注意：个体固定效应模型的EViwes输出结果中没有公共截距项。 （2）时刻固定效应模型。 时刻固定效应模型就是对于不同的截面（时刻点）有不同截距的模型。如果确知
第17章 动态面板数据模型 动态面板数据模型 前一章讨论具有固定效应和随机效应的线性静态面板数据模型，但由于经济个体行为的连续性、惯性和偏好等影响，经济行为是一个动态变化过程，这时需要用动态模型来研究经济关系。本章主要讨论动态面板数据模型的一般原理和估计方法，然后介绍了面板数据的单位根检验、协整分析和格朗杰因果检验的相关原理及操作。 17.1.1动态面板模型原理 考虑线性动态面板数据模型为 ' 1p it j it j it i it j Y Y X ρβδε-==+++∑ （17.1.1） 首先进行差分，消去个体效应得到方程为： '1p it j it j it it j Y Y X ρβε-=?=?+?+?∑ （17.1.2） 可以用GMM 对该方程进行估计。方程的有效的GMM 估计是为每个时期设定不同数目的工具，这些时期设定的工具相当于一个给定时期不同数目的滞后因变量和预先决定的变量。这样，除了任何严格外生的变量，可以使用相当于滞后因变量和其他预先决定的变量作为时期设定的工具。例如，方程（17.1.2）中使用因变量的滞后值作为工具变量，假如在原方程中这个变化是独立同分布的，然后在t=3时，第一个时期观察值可作为该设定分析，很显然1i Y 是很有效的工具，因为它与2i Y ?相关的，但与3i ε?不相关。类似地，在t=4时，2i Y 和1i Y 是潜在的工具变量。以此类推，对所以个体i 用因变量的滞后变量，我们可以形成预先的工具变量： 112 12 200000000 i i i i i i i iT Y Y Y W Y Y Y -????? ?=???????? L L L L L L L L L L L L L L L L L L （17.1.3） 每一个预先决定的变量的相似的工具变量便可以形成了。 假设it ε不存在自回归，不同设定的最优的GMM 加权矩阵为： 1 1'1M d i i i H M Z Z --=?? =Ξ ??? ∑ （17.1.4）
MATLAB 空间面板数据模型操作简介 MATLAB 安装： 在民主湖资源站上下载 MA TLAB 2009a ，或者 2010a ，按照其中的安装说明 安装 MATLAB 。（ MATLAB 较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局 首先我们说一下 MA TLAB 处理空间面板数据时，数据文件是怎么布局的，熟悉 eviews 的同学 可能知道， eviews 中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间 序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中 “1-94”“1-95” “1-96” “ 1-97”中， 1是省份的代号， 94,95,96,97 表示年份， eviews 是将每个省 份的数据放在一起，再将所有省份堆放在一起。 与 eviews 不同， MATLAB 处理空间面板数据时，面板数据的布局是（在 excel 中说明）： 先排 放一个横截面上的数据（即某年所有省份的数据） ，再将不同年份的横截面按时间顺序堆放在一起。 如图：
这里需要说明的是， MA TLAB 中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。二、数据的输入： MATLAB 与 excel链接：在 excel中点击“工具→加载宏→浏览” ，找到 MA TLAB 的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为： C:\Programfiles\MATLAB\R2009a\toolbox\exlink ，点击 excllink.xla 即可完成 excel 与 MATLAB 的链接。这样的话 excel 中的数据就可以直接导入 MATLAB 中形成 MATLAB 的数据文件。操作完成后 excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB ”即表示我们希望 excel 与
空间面板数据计量经济分析 空间面板数据计量经济分析 *以上分别介绍了区域创新过程中空间效应（依赖性和异质性）的空间计量检测，以及纳入空间效应的计量模型的估计方法——空间常系数回归模型（空间滞后模型，SLM 和空间误差模型，SEM ）和空间变系数回归模型（地理加权回归模型，GWR ）；同时还介绍和分析了面板数据（Panel Data ）计量经济学方法的估计和检验。 *可以看出，目前的空间计量经济学模型使用的数据集主要是截面数据，只考虑了空间单元之间的相关性，而忽略具有时空演变特征的时间尺度之间的相关性，这显然是一个美中不足。 *Anselin （1988）也认识到这一点。当然，大多学者通过将多个时期截面数据变量计算多年平均值的办法来综合消除时间波动的影响和干扰，但是这种做法仍然造成大量具有时间演变特征的创新行为信息的损失，从而无法科学和客观地认识和揭示具有时空二维特征的研发与创新过程的真实机制。*面板数据（Panel Data ）计量经济模型作为目前一种前沿的计量经济估计技术，由于其可以综合创新行为变量时间尺度的信息和截面（地域空间）单元的信息，同时集成考虑了时间相关性和空间（截面）相关性，因而能够科学而客观地反映受到时空交互相关性作用的创新行为的特征和规律，是定量揭示研发、知识溢出与区域创新相互作用关系的有效方法。但是，限于在所有时刻对所有个体（空间）均相等的假定（即不考虑空间效应），面板数据计量经济学理论也有其美中不足之处，具有很大的改进余地。 *鉴于空间计量经济学理论方法和面板数据计量经济学理论方法各有所长，把面板数据模型的优点和空间计量经济学模型的特点有机结合起来，构建一个综合考虑了变量时空二维特征和信息的空间面板数据计量经济模型，则是一种新颖的研究思路。以下根据空间计量经济模型和标准的面板数据模型[1]的建模思路，提出空间面板数据（Spatial Panel Data Model ，SPDM ）模型的建模思路和过程。 [1]与动态面板数据模型的建模思路类似，只要施加一些假定，引入因变量的滞后项，则为空间动态面板数据模型。 空间滞后面板数据计量分析 *考虑一个标准的面板数据模型： it it it it it y αx βμ=++*如果将变量的真实的区域空间自相关性（依赖性）（Anselin &Florax ，1995）考虑到创新行为中来，这种创新行为的空间自相关性可以视为区域创新过程中的一种外部溢出形式，这样则可以设定如下模型： it it it it it it y αWy x βμρ=+++*上式为空间滞后面板数据（Spatial Lag Panel Data Model ，SLPDM ）计量经济模型。其中，是创新的空间滞后变量，主要度量在地理空间上邻近地区的外部知识溢出，是一个区域在地理上邻近的区域在时期创新行为变量的加权求和。 空间误差面板数据计量分析 *如果在创新行为的空间依赖性存在误差扰动项中来测度邻近地区创新因变量的误差冲击对本地区创新行为的影响程度，则可以通过空间误差模型的空间依赖性原理可得： it it it it it y αx βμ=++it it it W μλμε=+*上式即为空间误差面板数据（Spatial Error Panel Data Model ，SEPDM ）计量经济模型。其中，参数衡量了样本观察值的误差项引进的一个区域间溢出成分。 *因为已经在面板数据模型中考虑了创新行为变量的空间依赖性，因此采用一般面板数据模型的估计技术如OLS 或GLS 等将具有良好的估计效果。如果能够综合考虑面板数据模型中的一些假定，如时间加权（Period Weights ）或截面加权（Cross-section Weights ），则可获得更加符合创新现实的估计结果。
空间面板数据分析——R的splm包 （任建辉，暨南大学） The splm package provides methods for fitting spatial panel data by maximum likelihood and GM. 安装R软件及其编辑器Rstudio 网址：https://www.doczj.com/doc/2611388757.html, https://www.doczj.com/doc/2611388757.html,/ 下载好Rstudio以后，操作都可以Rstudio中完成了，包括命令的编写、命令运行、图形展示，最方便的要数查看数据了。 R界面 Rstudio界面，形如matlab
下面进入正题，了解splm包中的数据、命令及结果展示。所有命令都写在编辑窗口（studio 左上区域），可以单独的运行每行命令，也可选取一段一起执行，点run按钮。 1、首先，安装splm包并导入，命令如下: intall.packages(“splm”)，选择最近的下载点 library(splm) > library(splm) 载入需要的程辑包：MASS 载入需要的程辑包：nlme 载入需要的程辑包：spdep 载入需要的程辑包：sp 载入需要的程辑包：Matrix 载入需要的程辑包：plm 载入需要的程辑包：bdsmatrix 载入程辑包：‘bdsmatrix’ 下列对象被屏蔽了from ‘package:base’: backsolve 载入需要的程辑包：Formula 载入需要的程辑包：sandwich 载入需要的程辑包：zoo 载入程辑包：‘zoo’ 下列对象被屏蔽了from ‘package:base’: as.Date, as.Date.numeric 载入需要的程辑包：spam 载入需要的程辑包：grid Spam version 0.40-0 (2013-09-11) is loaded. Type 'help( Spam)' or 'demo( spam)' for a short introduction and overview of this package. Help for individual functions is also obtained by adding the suffix '.spam' to the function name, e.g. 'help( chol.spam)'. 载入程辑包：‘spam’ 下列对象被屏蔽了from ‘package:bdsmatrix’:
面板数据的计量方法 1.什么是面板数据？ 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。 如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。 如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为： 北京市分别为8、9、10、11、12； 上海市分别为9、10、11、12、13； 天津市分别为5、6、7、8、9； 重庆市分别为7、8、9、10、11（单位亿元）。 这就是面板数据。 2.面板数据的计量方法 利用面板数据建立模型的好处是：（1）由于观测值的增多，可以增加估计量的抽样精度。（2）对于固定效应模型能得到参数的一致估计量，甚至有效估计量。（3）面板数据建模比单截面数据建模可以获得更多的动态信息。例如1990-2000 年30 个省份的农业总产值数据。固定在某一年份上，它是由30 个农业总产值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由30 个个体组成。共有330 个观测值。 面板数据模型的选择通常有三种形式：混合估计模型、固定效应模型和随机效应模型 第一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；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最小二乘法（OLS）估计参数。 第二种是固定效应模型（Fixed Effects Regression Model）。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixed effects regression model）。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model）、时刻固定效应模型（time fixed effects regression model）和时刻个体固定效应模型（time and entity fixed effects regression model）。（1）个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型。注意：个体固定效应模型的EViwes输
与MATLAB链接： Excel： 选项——加载项——COM加载项——转到——没有勾选项 2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏 E:\MATLAB\toolbox\exlink 然后，Excel中就出现MATLAB工具
（注意Excel中的数据：） 3.启动matlab （1）点击start MATLAB （2）senddata to matlab ，并对变量矩阵变量进行命名（注意：选取变量为数值，不包括各变量）
(data表中数据进行命名) （空间权重进行命名） （3）导入MATLAB中的两个矩阵变量就可以看见
4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录的toolbox文件夹 5.设置路径：
6.输入程序，得出结果 T=30; N=46; W=normw(W1); y=A(:,3);
x=A(:,[4,6]); xconstant=ones(N*T,1); [nobs K]=size(x); results=ols(y,[xconstant x]); vnames=strvcat('logcit','intercept','logp','logy'); prt_reg(results,vnames,1); sige=*((nobs-K)/nobs); loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*'* % The (robust)LM tests developed by Elhorst LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释 每一行分别表示：
空间面板数据分析——R的s p l m包 （任建辉，暨南大学） The splm package provides methods for fitting spatial panel data by maximum likelihood and GM. 安装R软件及其编辑器Rstudio 网址：https://www.doczj.com/doc/2611388757.html, 下载好Rstudio以后，操作都可以Rstudio中完成了，包括命令的编写、命令运行、图形展示，最方便的要数查看数据了。 R界面 Rstudio界面，形如matlab 下面进入正题，了解splm包中的数据、命令及结果展示。所有命令都写在编辑窗口（studio左上区域），可以单独的运行每行命令，也可选取一段一起执行，点run按钮。 1、首先，安装splm包并导入，命令如下: intall.packages(“splm”)，选择最近的下载点 library(splm) > library(splm) 载入需要的程辑包：MASS 载入需要的程辑包：nlme 载入需要的程辑包：spdep 载入需要的程辑包：sp 载入需要的程辑包：Matrix 载入需要的程辑包：plm 载入需要的程辑包：bdsmatrix 载入程辑包：‘bdsmatrix’ 下列对象被屏蔽了from ‘package:base’: backsolve
载入需要的程辑包：Formula 载入需要的程辑包：sandwich 载入需要的程辑包：zoo 载入程辑包：‘zoo’ 下列对象被屏蔽了from ‘package:base’: 载入需要的程辑包：spam 载入需要的程辑包：grid Spam version 0.40-0 (2013-09-11) is loaded. Type 'help( Spam)' or 'demo( spam)' for a short introduction and overview of this package. Help for individual functions is also obtained by adding the suffix '.spam' to the function name, e.g. 'help( chol.spam)'. 载入程辑包：‘spam’ 下列对象被屏蔽了from ‘package:bdsmatrix’: backsolve 下列对象被屏蔽了from ‘package:base’: backsolve, forwardsolve 载入需要的程辑包：ibdreg 载入需要的程辑包：car 载入需要的程辑包：lmtest 载入需要的程辑包：Ecdat 载入程辑包：‘Ecdat’ 下列对象被屏蔽了from ‘package:car’: Mroz 下列对象被屏蔽了from ‘package:nlme’: Gasoline 下列对象被屏蔽了from ‘package:MASS’: SP500 下列对象被屏蔽了from ‘package:datasets’: Orange 载入需要的程辑包：maxLik 载入需要的程辑包：miscTools Please cite the 'maxLik' package as: Henningsen, Arne and Toomet, Ott (2011). maxLik: A package for maximum likelihood es timation in R. Computational Statistics 26(3), 443-458. DOI 10.1007/s00180-010-0217 -1. If you have questions, suggestions, or comments regarding the 'maxLik' package, plea se use a forum or 'tracker' at maxLik's R-Forge site: Warning message: 程辑包‘Matrix’是用R版本3.0.3 来建造的 注意：在导入splm时，如果发现还有其他配套的包没有安装，需要先安装。 2、接着，查看数据及结构，命令如下：
第17章 动态面板数据模型 17.1 动态面板数据模型 前一章讨论具有固定效应和随机效应的线性静态面板数据模型，但由于经济个体行为的连续性、惯性和偏好等影响，经济行为是一个动态变化过程，这时需要用动态模型来研究经济关系。本章主要讨论动态面板数据模型的一般原理和估计方法，然后介绍了面板数据的单位根检验、协整分析和格朗杰因果检验的相关原理及操作。 17.1.1动态面板模型原理 考虑线性动态面板数据模型为 '1p it j it j it i it j Y Y X ρβδε-==+++∑ （17.1.1） 首先进行差分，消去个体效应得到方程为： '1p it j it j it it j Y Y X ρβε-=?=?+?+?∑ （17.1.2） 可以用GMM 对该方程进行估计。方程的有效的GMM 估计是为每个时期设定不同数目的工具，这些时期设定的工具相当于一个给定时期不同数目的滞后因变量和预先决定的变量。这样，除了任何严格外生的变量，可以使用相当于滞后因变量和其他预先决定的变量作为时期设定的工具。例如，方程（17.1.2）中使用因变量的滞后值作为工具变量，假如在原方程中这个变化是独立同分布的，然后在t=3时，第一个时期观察值可作为该设定分析，很显然1i Y 是很有效的工具，因为它与2i Y ?相关的，但与3i ε?不相关。类似地，在t=4时，2i Y 和1i Y 是潜在的工具变量。以此类推，对所以个体i 用因变量的滞后变量，我们可以形成预先的工具变量： 11212200000000i i i i i i i iT Y Y Y W Y Y Y -??????=???????? （17.1.3） 每一个预先决定的变量的相似的工具变量便可以形成了。 假设it ε不存在自回归，不同设定的最优的GMM 加权矩阵为： 1 1'1M d i i i H M Z Z --=??=Ξ ???∑ （17.1.4）
动态面板数据编程的主要步骤： 首先导入处理模块 ssc install xtabond2 然后导入并定义面板数据 use “1.dta” xtset id t，yearly 现在进入xtabond2命令介绍： [by id]:xtabond2 y x [if] [in],[,options] 其中options可以包括： noconstant 方程中没有常数项 diffvars（varlist），已差分的外生变量 inst（varlist）其他工具变量 lags（#），滞后阶数，系统默认1，例如gmm（x y,laglimits(2 2)）即定义最大滞后为2阶。maxlags（#）,工具变量最大滞后阶数 maxldep(#)，工具变量的别解释变量的最大滞后阶数 twostep，两步估计 endogenous（varlist[...]），内生变量 vce, gmm robust,注：这两个可以同时使用，但是robust和by id（或t）不可以同时使用level(#)，显著水平，系统默认为95 artests，AR检验滞后阶数，默认为2，其实这个不必注明，gmm会检验 有时候分析必须有nomata 不然无法分析 还可以有 small 小样本t、F统计量 我常使用的编程： [by id]:xtabond2 y x L.y L.x L2.x,gmm（x y，laglimits（2 2））iv(varlist) nolevel small nomata 系统GMM是对差分GMM的扩展。差分GMM是对原方程作差分，使用变量滞后阶作为工具变量。差分GMM的缺陷有：差分时消除了非观测截面个体效应及不随时间变化的其他变量，且有时变量滞后阶并非理想工具变量。系统GMM相当于联立了差分方程和原水平方程，使用变量滞后阶作为差分方程的工具变量，同时使用差分变量的滞后项作为水平方程的工具变量。
第16章静态面板数据模型时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 对于面板数据y it（i=1,2,…，N，t=1,2,…，T）来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。 本章主要讨论静态面板数据模型的相关理论及软件操作，首先从模型的检验开始到介绍变截距模型中的固定影响变截距模型和随机影响变截距模型，然后到变系数模型。本章的流程图如下：
16.1面板数据模型建模的基本原理 在应用多元回归分析建立的计量经济模型时，如果所建的模型中缺失了某些不可观测的重要解释变量，使得回归模型随机误差项常常存在自相关。于是回归参数的最小二乘法OLS 估计量不再是无偏估计或有效估计。但是，运用面板数据建立的计量经济模型时，对于一些忽略的解释变量可以不需要其实际观察值，而通过控制该变量对被解释变量的影响的方法获得模型参数的无偏估计。 由此可见，面板数据不仅可以同时利用截面数据和时间序列数据建立计量经济模型，而且能更好地识别和度量单纯的时间序列模型和单纯截面数据模型所不能发现的影响因素，它能够构造和检验更复杂的行为模型。例如：在宏观领域，它被广泛用于劳动经济学、国际金融、经济增长、产业结构、技术创新、税收政策等领域。 16.1.1面板数据模型基本框架 面板数据能更好地识别和度量时间序列或截面数据不可发觉的效应，有助于建立和检验更复杂的行为模型，其基本模型是如下形式的一般回归模型： 1,2,,,1,2,,it it it i t it y x i N t T αβδγε=++++==L L （16.1.1） 其中：it y 是个体i 在时间t 时期的观测值，α表示模型的常数项，i δ代表固定或者随机的截面效应，t γ代表固定或者随机的时期效应，it x 表示k 阶解释变量观测值向量。β表示解释变量的系数向量，并且在根据其条件的限制分为三种值，一是对所有截面和时期都是相同的常数，二是在不同的截面是不同的系数，三是在不同的时期是不同的。it ε是独立同分布的误差项，即()0it E ε=。 在公式（16.1.1）中，如果考虑k 个解释变量，自由度NT 远小于参数个数，对于截面成员方程，待估计参数的个数为((1))NT k N ++，对于时间截面方程，待估计参数的个数为((1))NT k T ++，这使得该模型无法估计。为了对模型进行估计，则可以建立以下的两类模型：从个体成员角度考虑，建立含有N 个个体成员方程的面板数据模型；在时间点上截面，建立含有T 个时间点截面方程的面板数据模型。 1）含有N 个个体成员方程的面板数据模型 模型形式如下： i T i it i T T i y l x l I αβδγε=++++ （16.1.2） 其中：i y 是个体i 的观观测值的时间序列。系数向量β取值受不同个体的影响，i x 表示个体i 解释变量观测值时间序列。T l 是T 阶的单位行向量，T I 是T 阶的单位列向量。 '12()T γγγγ=L ，，，，包括所有的时点效应。该式含有N 个截面方程。
由传递函数转换成状态空间模型——方法多!!! SISO 线性定常系统 高阶微分方程化为状态空间表达式 SISO ()()()()()()m n u b u b u b y a y a y a y m m m n n n n ≥+++=++++--- 1102211ΛΛ )(2 211110n n n n m m m a s a s a s b s b s b s G +++++++=---ΛΛ 假设1+=m n 外部描述 ←—实现问题：有了内部结构—→模拟系统 内部描述 SISO ???+=+=du cx y bu Ax x & 实现问题解决有多种方法，方法不同时结果不同。 一、 直接分解法 因为 1 0111 11()()()() ()()()() 1m m m m n n n n Y s Z s Z s Y s U s Z s U s Z s b s b s b s b s a s a s a ----?=? =?++++++++L L ???++++=++++=----) ()()() ()()(11 11110s Z a s a s a s s U s Z b s b s b s b s Y n n n n m m m m ΛΛ 对上式取拉氏反变换，则 ???++++=++++=----z a z a z a z u z b z b z b z b y n n n n m m m m &Λ&Λ1) 1(1)(1)1(1)(0 按下列规律选择状态变量，即设)1(21,,,-===n n z x z x z x Λ&，于是有 ?????? ?+----===-u x a x a x a x x x x x n n n n 12113 22 1Λ&M &&
空间计量经济学模型 空间相关性是指 () ,i j y f y i j =≠即i y 与j y 相关 模型可表示为() (),1i j j i i y f y x i j βε=++≠ 其中，()f 为线性函数，(1)式的具体形式为 () ()2,0,2i ij j i i i i j y a y x N βεεδ≠=++∑ 如果只考虑应变量空间相关性，则(2)式变为(3)式 ()()21 ,0,,1,2...3n i ij j i i i y W y N i n ρεεδ==+=∑ 式中 1 n ij j i W y =∑为空间滞后算子，ij W 为维空间权重矩阵n n W ?中的元素，ρ为待估的空间自相 关系数。0ρ≠，存在空间效应 (3)式的矩阵形式为() ()2 1,0,4u n y Wy N I ρεδ?= (4)式称为一阶空间自回归模型，记为FAR 模型 当在模型中引入一系列解释变量X 时，形式如下 () ()2,0,5n y Wy X N I ρβεεδ=++ (5)式称为空间自回归模型，记为SAR 模型 当个体间的空间效应体现在模型扰动项时有 () ()21,,0,6u n y X u u Wu N I βλεδ?=+= （6）式成为空间误差模型，记为SEM 模型 当应变量与扰动项均存在空间相关时有 () ()2121,,0,7u n y W y X u u W u N I ρβλεεδ?=++=+ （7）式称为一般空间模型，记为SAC 模型 当0X =且20W =时，SAC →FAR ；当20W =时，SAC →SAR 当10W =时，SAC →SEM 当空间相关性还体现在解释变量上时，则有 () ()2,0,8n y Wy X WXr N I ρβεεδ=+++ （8）式成为空间杜宾模型，记为SDM 模型