当前位置：文档之家 › 面板数据模型-Eviews实现

面板数据模型-Eviews实现

  • 格式：ppt
  • 大小：1.69 MB
  • 文档页数：144

下载文档原格式

  / 144

合集下载

计量经济面板数据模型及EVIEWs软件的实现

计量经济面板数据模型及EVIEWs软件的实现

面板数据模型的分析及Eviews实现一、面板数据和模型概述在经济学研究和实际应用中，我们经常需要同时分析和比较横截面观察值和时间序列观察值结合起来的数据，即：数据集中的变量同时含有横截面和时间序列的信息。

这种数据被称为面板数据(panel data)，它与我们以前分析过的纯粹的横截面数据和时间序列数据有着不同的特点。

简单地讲，面板数据因同时含有时间序列数据和截面数据，所以其统计质既带有时间序列的性质，又包含一定的横截面特点。

因而，以往采用的计量模型和估计方法就需要有所调整。

例1 表1中展示的数据就是一个面板数据的例子。

其他类似的例子还有：历次人口普查中有关不同年龄段的受教育状况；同行业不同公司在不同时间节点上的产值等。

这里，不同的年龄段和公司代表不同的截面，而不同时间节点数据反映了数据的时间序列性。

研究和分析面板数据的模型被称为面板数据模型（panel data model）。

它的变量取值都带有时间序列和横截面的两重性。

一般的线性模型只单独处理横截面数据或时间序列数据，而不能同时分析和对比它们。

面板数据模型，相对于一般的线性回归模型，其长处在于它既考虑到了横截面数据存在的共性，又能分析模型中横截面因素的个体特殊效应。

当然，我们也可以将横截面数据简单地堆积起来用回归模型来处理，但这样做就丧失了分析个体特殊效应的机会。

二、一般面板数据模型介绍 符号介绍：ity ——因变量在横截面i 和时间t 上的数值；j it x ——第j 个解释变量在横截面i 和时间t 上的数值；假设：有K 个解释变量，即K j ,,2,1 =；有N 个横截面，即N i ,,2,1 =； 时间指标T t ,,2,1 =。

记第i 个横截面的数据为⎪⎪⎪⎪⎪⎭⎫⎝⎛=iT i i i y y y y21； ⎪⎪⎪⎪⎪⎭⎫⎝⎛=K iT iT iT Ki i i K i i i i x x x x x x x x x X 212221212111；⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=iT i i i μμμμ 21 其中对应的i μ是横截面i 和时间t 时随机误差项。

EVIEWS面板数据分析操作教程及实例解析

EVIEWS面板数据分析操作教程及实例解析

模型选择对分析结果影响
模型适用性
根据研究目的和数据特征选择合 适的面板数据模型，如固定效应 模型、随机效应模型等。
模型假设
确保所选模型满足基本假设，如 线性关系、误差项独立同分布等 ，否则可能导致结果不准确。
模型比较与选择
通过比较不同模型的拟合优度、 参数显著性等指标，选择最优模 型进行分析。
操作规范性与结果可靠性保障措施
操作步骤规范
结果验证与解读
对分析结果进行验证，确保结果的合理性和准确性 ；同时，正确解读分析结果，避免误导读者。
严格按照EVIEWS软件的操作步骤进行分析 ，避免操作失误或遗漏关键步骤。
数据分析报告
编写详细的数据分析报告，包括数据来源、 处理方法、模型选择、分析结果及解读等， 以便读者全面了解分析过程。
方和来估计模型参数。
广义最小二乘法（GLS）
02
当存在异方差性或自相关性时，采用广义最小二乘法进行参数
估计，以提高估计效率。
最大似然法（ML）
03
适用于随机效应模型等复杂面板数据模型，通过最大化似然函
数来估计模型参数。
模型诊断与检验
残差分析
检查残差是否满足独立同分布等假设条件， 以评估模型的拟合效果。
07 EVIEWS面板数 据分析操作注意 事项
数据质量对分析结果影响
数据来源
确保数据来自可靠、权威的来源，避免使用不准确或存在偏见的数 据。
数据完整性
检查数据是否存在缺失值、异常值或重复值，这些问题可能导致分 析结果失真。
数据处理
对数据进行适当的预处理，如清洗、转换和标准化，以提高数据质量 和一致性。
增强了解决实际问题的能力
通过实例解析和操作演示，学员们学会了如何运用所学知识解决实际问题，提高了分析 问题和解决问题的能力。

动态面板数据与Eviews操作

动态面板数据与Eviews操作

动态面板数据与Eviews操作面板数据与Eviews 操作指南新浪微博：数说工作室一、面板数据简介二、静态面板数据及Eviews 实现(1) 静态面板数据简介(2) EVIEWS操作三、动态面板数据及Eviews 实现（1）动态面板数据简介（2）Eviews 操作一、面板数据简介信息技术的发展使得数据越来越膨胀，传统的截面数据和时间序列已经不能全面刻画经济的演变，在大数据背景下，同时分析比较横截面观察值和时间序列观察值的需求越来越大。

面板数据就是指既含有截面又含有时间序列的数据，分析比较这种数据的模型就是面板数据模型。

相对于一般的回归模型，面板数据模型不仅能够更好的识别和度量单纯时间序列模型和单纯横截面数据模型所不能发现的影响因素, 而且可以克服多重共线性的困扰，能够提供更多的信息、更多的变化、更高的自由度和更高的估计效率，减少共线性。

因此，面板数据可以更准确地刻画更为复杂的经济行为，具有更好的理论价值和应用价值。

按照模型中是否含有滞后项，又分为静态面板数据和动态面板数据，本指南将分别简介原理和Eviews 操作方法。

二、静态面板数据及Eviews 实现(1) 静态面板数据简介一般的静态面板数据模型的一般形式如下：yyiiii=CC+bbxxiiii+vviiii, ii=11, …NN, ii=11, …, TT (1)标，T 表示时间序列的长度。

面板数据由于同时含有了多个横截面数据，有时需要考虑不同横截面个体存在的特殊效应，其误差项被设定为：vviiii=ααii+eeiiii （2）其中αi 代表个体效应，反映了不同个体之间的差别。

当个体效应为固定常数时，式（1）为固定效应模型，此时每个个体截面都有不同的截距项α1、α2... αn ，即其分布式与X it 是有关的，反映了该个体的固定其中C 为截距，v it 为误差项，i 为截面下标，N 表示截面的个数，t 为时间下效应，因此固定效应模型又称为相关效应模型，严格说来，这个名字更加准确。

面板数据模型Eviews实现

面板数据模型Eviews实现
2
面板数据含有横截面、时期和变量三维信息，利用 面板数据模型可以构造和检验比以往单独使用横截面数 据或时间序列数据更为真实的行为方程，可以进行更加 深入的分析。正是基于实际经济分析的需要，作为非经 典计量经济学问题，同时利用横截面和时间序列数据的 模型已经成为近年来计量经济学理论方法的重要发展之 一。
对于截面成员较多，时期较少的“宽而短”的侧重截 面分析的数据，一般通过具有面板结构的工作文件 （Panel workfile）进行分析。利用面板结构的工作文件 可以实现变截距Panel Data模型以及动态Panel Data模型 的估计。
4
10.1.1 含有Pool对象的工作文件
Pool对象在EViews中扮演着两种角色。首先，Pool对 象中包含了一系列的标识名。这些标识名描述了工作文件 中的面板数据的数据结构。在这个角色中，Pool对象在管 理和处理面板数据上的功能与组对象有些相似。其次，利 用Pool对象中的过程可以实现对各种Panel Data模型的估 计及对估计结果的检验和处理。在这个角色中，Pool对象 与方程对象有些相似
3
10.1 Pool对象
EViews对Panel Data模型的估计是通过含有Pool对象 的工作文件和具有面板结构的工作文件来实现的。
处理面板数据的EViews对象称为Pool。通过Pool对象 可以实现对各种变截距、变系数时间序列模型的估计，但 Pool对象侧重分析“窄而长”的数据，即截面成员较少， 而时期较长的侧重时间序列分析的数据。
10
4. 观察或编辑Pool定义 要显示Pool中的截面成员识别名称，单击工具条的 Define按钮，或选择View/Cross-Section Identifiers。如果需 要，也可以对识别名称列进行编辑。

面板数据的联立方程模型在eviews中估计的详细图解

面板数据的联立方程模型在eviews中估计的详细图解

第一步:首先说明一下我的论文研究情景：1.时间：2006-20112.主题：资本监管对银行业的风险承担行为的影响（以工行，建行，中行，交行作为例子，4个cross sections）3.模型如下：dcap=c(1)+c(2)*drisk+c(3)*size+c(4)*roa+c(5)*riskt(-1)drisk=c(6)+c(7)*dcap+c(8)*size+c(9)*non+c(10)*capt(-1)有上面联立方程可以看出：dcap 和drisk 相互影响为内生变量size roa non riskt capt 为外生变量第二步：eviews6.0 实现过程：打开file-new-workfile按图操作：点击ok得到：点击object-new objectType选pool，ok：跳出的横框:Cross Section Identifiers 填入数据变量名称：（这是纵轴的）GSYHJSYHZGYHJTYH（前面提及的四大银行）然后点view-spreadsheet（stacked data）series list小框输入（这是横轴的变量名称）dcap drisk size roa non riskt capt点击edit+/- 手动输入数据或用import导入数据或粘贴复制进去也行：此时点object-new object，这次type选择system 用以联立方程分析：在system框内输入联立方程和工具变量：dcap=c(1)+c(2)*drisk+c(3)*size+c(4)*roa+c(5)*riskt(-1)drisk=c(6)+c(7)*dcap+c(8)*size+c(9)*non+c(10)*capt(-1)inst dcap drisk size roa non riskt(-1) capt(-1)点右上方的estimate，method选择TSLS(两阶段最小二乘估计)：整个过程就是先建立workfile再建立panel data最后建立联立方程systemTSLS估计即可。

面板数据的联立方程模型在eviews中估计的详细图解

面板数据的联立方程模型在eviews中估计的详细图解

第一步:首先说明一下我的论文研究情景：1.时间：2006-20112.主题：资本监管对银行业的风险承担行为的影响（以工行，建行，中行，交行作为例子，4个cross sections）3.模型如下：dcap=c(1)+c(2)*drisk+c(3)*size+c(4)*roa+c(5)*riskt(-1)drisk=c(6)+c(7)*dcap+c(8)*size+c(9)*non+c(10)*capt(-1)有上面联立方程可以看出：dcap 和drisk 相互影响为内生变量size roa non riskt capt 为外生变量第二步：eviews6.0 实现过程：打开file-new-workfile按图操作：点击ok得到：点击object-new objectType选pool，ok：跳出的横框:Cross Section Identifiers 填入数据变量名称：（这是纵轴的）GSYHJSYHZGYHJTYH（前面提及的四大银行）然后点view-spreadsheet（stacked data）series list小框输入（这是横轴的变量名称）dcap drisk size roa non riskt capt点击edit+/- 手动输入数据或用import导入数据或粘贴复制进去也行：此时点object-new object，这次type选择system 用以联立方程分析：在system框内输入联立方程和工具变量：dcap=c(1)+c(2)*drisk+c(3)*size+c(4)*roa+c(5)*riskt(-1)drisk=c(6)+c(7)*dcap+c(8)*size+c(9)*non+c(10)*capt(-1)inst dcap drisk size roa non riskt(-1) capt(-1)点右上方的estimate，method选择TSLS(两阶段最小二乘估计)：整个过程就是先建立workfile再建立panel data最后建立联立方程systemTSLS估计即可。

详细的EVIEWS面板数据分析操作

详细的EVIEWS面板数据分析操作引言EVIEWS是一款专业的经济统计软件，广泛应用于经济学和金融领域的数据分析和建模。

EVIEWS提供了丰富的面板数据分析功能，可以帮助用户进行面板数据的处理、描述统计、回归分析等操作。

本文将详细介绍EVIEWS中面板数据分析的操作流程和常用功能。

EVIEWS面板数据的导入首先，我们需要将面板数据导入到EVIEWS中进行分析。

EVIEWS支持多种数据格式的导入，包括Excel、CSV、数据库等。

在导入面板数据时，需要保证数据具有正确的格式，例如面板数据应包含个体（cross-sectional）和时间（time-series）的维度，且面板数据的变量应按照一定的顺序排列。

在导入面板数据后，我们可以利用EVIEWS提供的数据操作命令对数据进行处理和调整。

例如，可以通过group命令将数据按照个体或时间进行分组，通过sort命令对数据进行排序，以便后续的面板数据分析。

面板数据的描述统计分析在面板数据导入并处理完毕后，我们可以进行面板数据的描述统计分析。

EVIEWS提供了丰富的统计功能，可以计算面板数据的平均值、标准差、相关系数等指标。

下面介绍几个常用的描述统计功能：1.summary命令：该命令可以计算面板数据每个变量的平均值、标准差、最大值、最小值等统计指标，并输出到EVIEWS的结果窗口中。

2.correlation命令：该命令可以计算面板数据各变量之间的相关系数矩阵，并输出到结果窗口中。

3.tabulate命令：该命令可以对面板数据进行交叉分组统计，例如计算变量A在变量B的每个取值下的频数和比例。

通过对面板数据进行描述统计分析，可以初步了解数据的分布特征和变量间的关系，为后续的面板数据分析提供基础。

面板数据的回归分析除了描述统计分析，EVIEWS还提供了面板数据的回归分析功能。

通过面板数据回归分析，可以探究变量间的因果关系和影响程度。

下面介绍两个常用的回归分析命令：1.panel least squares（PLS）命令：该命令可以进行面板数据的最小二乘回归分析。

EViews6.0在面板数据模型估量中的实验操作

EViews 在面板数据模型估量中的实验操作1、进入工作目录cd d:\nklx3，在指定的路径下工作是一个良好的适应二、成立面板数据工作文件workfile（1）最好不要选择EViews默许的blanaced panel 类型Moren_panel（2）依照要求成立简单的知足时期周期和长度要求的时期型工作文件3、成立pool对象（1）新建对象（2）选择新建对象类型并命名（3）为新建pool对象设置截面单元的表示名称，在此提示下（Cross SectionIdentifiers: (Enter identifiers below this line )输入截面单元名称。

建议采用汉语拼音，例如29个省市区的汉语拼音，建议在拼音名前加一个下划线“_”，如图关闭成立的pool对象，它就出此刻当前工作文件中。

4、在pool对象中成立面板数据序列双击pool对象，打开pool对象窗口，在菜单view的下拉项当选择spreedsheet （展开表）在打开的序列列表窗口中输入你要成立的序列名称，若是是面板数据序列必需在序列名后添加“?”。

例如，输入GDP?，在GDP后的?的作用是各个截面单元的占位符，生成了29个省市区的GDP的序列名，即GDP后接截面单元名，再在接时期，就表示出面板数据的3维数据结构（1变量2截面单元3时期）了。

请看工作文件窗口中的序列名。

展开表（类似excel ）中等待你输入、贴入数据。

五、贴入数据（1）打开编辑（edit）窗口（2）贴入数据（3）关闭pool窗口，赶快存盘见好就收六、在pool窗口对各个序列进行单位根查验选择单位根查验设置单位根查验单位根查验结果注意查验方式和两种查验的零假设：Null: Unit root (assumes common unit root process)各截面有相同的单位根Null: Unit root (assumes individual unit root process)允许各截面有不同单位根其中，Levin, Lin & Chu t*查验拒绝含有单位根的零假设，即拒绝非平稳7、在pool窗口对面板数据组合进行协整查验选择进行协整查验协整查验设置对话框，注意有3种查验方式（test type）协整查验结果，一样要注意两种假定（含有AR，即含有单位根，非协整），两种零假设都是非协整，小概率事件发生拒绝非协整。

eviews面板数据实例分析(包会)-

eviews面板数据实例分析(包会)-Eviews是一种流行的面板数据分析软件，广泛用于经济学及财务学领域。

本文将以一个面板数据实例为例，介绍Eviews的一些基本功能及应用。

数据说明本数据集为横截面面板数据，共包含11个国家（美国、加拿大、英国、法国、德国、意大利、荷兰、比利时、奥地利、瑞典、日本）在1970年至1986年间的年度数据。

变量说明如下：- gdpercap：人均GDP- invest：投资/GDP比率- consump：消费/GDP比率- inflation：通货膨胀率- popgrowth：人口增长率- literacy：成年人识字率- female：女性劳动力占比数据导入及面板设置首先，在Eviews中新建一个工作文件，并将数据导入。

打开数据文件后，我们可以看到数据已经被正确读入。

然后，我们需要将数据设为面板数据。

在Eviews中，选择“View”菜单下的“Structure of Workfile”选项，可以进入工作文件结构设置。

在弹出的窗口中，选择“Panel Data”选项，并按照数据的属性设置面板变量。

在本例中，我们选择“Country”作为单位维度，“Year”作为时间维度。

设置完成后，Eviews会自动进行面板数据检测。

检测结果显示，数据格式符合面板数据要求。

面板数据描述及汇总统计接下来，我们可以对数据进行初步的描述性统计和汇总统计。

选择“Quick”菜单下的“Descriptive Stats”选项，Eviews会自动生成数据的描述性统计报告，展示各变量在不同国家和不同年份的均值、标准差、最小值、最大值等基本信息。

我们也可以手动计算其他统计量。

例如，选择“Proc”菜单下的“Panel Data”选项，可以对选定的变量进行面板数据汇总统计。

下面是在Eviews中计算人均GDP和消费/GDP比率两个变量的面板均值统计结果：面板数据变量之间的相关性分析在分析面板数据时，我们通常需要考虑不同变量之间的相关性。

eviews处理面板数据操作步骤(特别好)

方式二（方式是否正确，有待考证）
File/New/ Workfile Workfile structure type ： Balanced Panel
Start date 1935 End date 1954 Number of cross 1 OK Cross Section Identifiers:_GM _CH _GE _WE _US
.
10
思路一：变量之间是非同阶单整 ：序列变换
◎变量之间是非同阶单整的指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。
◎对序列进行差分或取对数使之变成同阶序列
若变换序列后均为平稳序列可用变换后的序列直接进行回归
思路二 若变换序列后均为同阶非平稳序列，则请点
.
若拒绝H1 ，则模型为变参数模型（模型一）。 构建统计量：请点F统计量
.
26
假设检验的 F 统计量的计算方法
构建变参数模型得残差平方和S1 并考虑其自由度 请点
构建变截距模型得残差平方和S2并考虑其自由度 请点
构建不变参数模型得残差平方和S3并考虑其自由度 请点
计算 F2 统计量
F 2 ( S 3 S 1 S ( 1 N ) / N [ N T ( 1 k ( ) k 1 ) ( 1 ) ) ~ ] F [N ( 1 )k ( 1 )N , ( T k 1 )]
第十章 Panel Data模型
第一步 录入数据
第二步 分析数据的平稳性（单位根检验）
第三步 平稳性检验后分析路径选择
第四步 协整检验`
第五步 回归模型
.
1
第一步 录入数据
一 请点 实例数据 二 请点 录入数据软件操作
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2
面板数据含有横截面、时期和变量三维信息，利用
面板数据模型可以构造和检验比以往单独使用横截面数
据或时间序列数据更为真实的行为方程，可以进行更加 深入的分析。正是基于实际经济分析的需要，作为非经 典计量经济学问题，同时利用横截面和时间序列数据的 模型已经成为近年来计量经济学理论方法的重要发展之
一。
3
21
10.1.3 输出Pool数据
按照和上面数据输入相反的程序可进行数据输出。由于
EViews可以输入输出非堆积数据，按截面成员堆积和按日期
堆积数据，因此可以利用EViews按照需要调整数据结构。
22
10.1.4 使用Pool数据
每个截面成员的基础序列都是普通序列，因此EViews中对 各单个截面成员序列适用的工具都可使用。另外，EViews还有 专门适用于Pool数据的专用工具。可以使用EViews对与一特定 变量对应的所有序列进行类似操作。 1. 检查数据 用 数 据 表 形 式 查 看 堆 积 数 据 。 选 择 View/Spreadsheet (stacked data)，然后列出要显示的序列。序列名包括普通序列 名和Pool序列名。 2. 描述数据 可以使用Pool对象计算序列的描述统计量。在Pool工具栏 选择View/Descriptive Statistics…，EViews会打开如下对话框：
23
在编辑框内输入计算描述统计量的序列。EViews可以
计算序列的平均值，中位数，最小值，最大值，标准差，偏 度，峰度，和Jarque-Bera统计量。
下一步选择样本选项：
例10.4 研究企业投资需求模型
5家企业：
GM：通用汽车公司 CH：克莱斯勒公司 GE：通用电器公司 WE：西屋公司 US：美国钢铁公司 I ：总投资 M ：前一年企业的市场价值 （反映企业的预期利润） K ：前一年末工厂存货和设备的价值 （反映企业必要重置投资期望值）
3个变量：
创建Pool对象，选择Objects/New Object/Pool…并在编辑
10.1 Pool对象
EViews对Panel Data模型的估计是通过含有Pool对象 的工作文件和具有面板结构的工作文件来实现的。 处理面板数据的EViews对象称为Pool。通过Pool对象 可以实现对各种变截距、变系数时间序列模型的估计，但 Pool对象侧重分析“窄而长”的数据，即截面成员较少， 而时期较长的侧重时间序列分析的数据。 对于截面成员较多，时期较少的“宽而短”的侧重截 面分析的数据，一般通过具有面板结构的工作文件 （Panel workfile）进行分析。利用面板结构的工作文件 可以实现变截距Panel Data模型以及动态Panel Data模型 的估计。
的数据从上到下依次堆积，每一列代表一个变量：
15
我们称上表数据是以截面成员堆积的，单击Order+/-实现堆 积方式转换，也可以按日期堆积数据：
每一列代表一个变量，每一列内数据都是按年排列的。如果 数据按年排列，要确保各年内截面成员的排列顺序要一致。
16
3. 手工输入/剪切和粘贴 可以通过手工输入数据，也可以使用剪切和粘贴工具输
I_CM，I_CH，I_GE，I_WE，I_US；M_CM，M_CH， M_GE，M_WE，M_US；K_CM，K_CH，K_GE，K_WE， K_US：
18
4. 文件输入
可以使用Pool对象从文件输入堆积数据到各单独序列。当 文件数据按截面成员或时期堆积成时，EViews要求： (1) 堆积数据是平衡的 (2) 截面成员在文件中和在Pool中的排列顺序相同。 平衡的意思是，如果按截面成员堆积数据，每个截面成员 应包括正好相同的时期；如果按日期堆积数据，每个日期应包 含相同数量的截面成员观测值，并按相同顺序排列。 特别要指出的是，基础数据并不一定是平衡的，只要在输 入文件中有表示即可。如果观测值中有缺失数据，一定要保证 文件中给这些缺失值留有位置。 要使用Pool对象从文件读取数据，先打开Pool，然后选择 Procs/Import Pool Data(ASCII,.XLS,.WK?)…，要使用与Pool 对象对应的输入程序。
9
3. Pool序列概念 一旦选定的序列名和Pool中的截面成员识别名称相对应， 就可以利用这些序列使用Pool了。其中关键是要理解Pool序 列的概念。 一个Pool序列实际就是一组序列, 序列名是由基本名和 所有截面识别名构成的。Pool序列名使用基本名和“?”占位 符，其中“?”代表截面识别名。如果序列名为GDPJPN， GDPUSA，GDPUK，相应的Pool序列为GDP?。如果序列名 为JPNGDP，USAGDP，UKGDP，相应的Pool序列为 ?GDP。 当使用一个Pool序列名时，EViews认为将准备使用Pool 序列中的所有序列。EViews会自动循环查找所有截面识别名 称并用识别名称替代“?”。然后会按指令使用这些替代后的 名称了。Pool序列必须通过Pool对象来定义，因为如果没有 截面识别名称，占位符“?”就没有意义。
5
Pool对象的核心是建立表示截面成员的名称表。为明 显起见，名称要相对较短。例如，国家作为截面成员时，
可以使用USA代表美国，CAN代表加拿大，UK代表英国。
定义了Pool的截面成员名称就等于告诉了EViews，模 型的数据结构。在上面的例子中，EViews会自动把这个
Pool理解成对每个国家使用单独的时间序列。
这种仅利用二维信息的模型在很多时候往往不能满足人们
分析问题的需要。例如，在生产函数分析中，仅利用横截 面数据只能对规模经济进行分析，仅利用混有规模经济和 技术革新信息的时间序列数据只有在假设规模收益不变的 条件下才能实现技术革新的分析，而利用面板数据可以同 时分析企业的规模经济（选择同一时期的不同规模的企业 数据作为样本观测值）和技术革新（选择同一企业的不同 时期的数据作为样本观测值），可以实现规模经济和技术 革新的综合分析。
选择View/Spreadsheet（stacked data），EViews会要求输
入序列名列表
确认后EViews会打开新建序列的堆积式数据表。我们看 到的是按截面成员堆积的序列，Pool序列名在每列表头，截面
成员/年代识别符标识每行：
14
Pool数据排列成堆积形式，一个变量的所有数据放在一
起，和其他变量的数据分开。大多数情况下，不同截面成员
12
其中基本名 I 代表企业总投资、M 代表前一年企业的市场价值、K 代 表前一年末工厂存货和设备的价值。每个企业都有单独的 I、M、K 数据。 EViews会自动按附录A中 介绍的标准输入程序读取非堆积数据。并把 每个截面变量看作一个单独序列。注意要按照上述的Pool命名规则命名。
13
2. 堆积数据
必须注意，Pool对象本身不包含序列或数据。一个 Pool对象只是对基本数据结构的一种描述。因此，删除一 个Pool并不会同时删除它所使用的序列，但修改Pool使用的 原序列会同时改变Pool中的数据。
6
1. 创建Pool对象 在本章中，使用的是一个研究投资需求的例子，包括了五 家企业和三个变量的20个年度观测值的时间序列：
窗口中输入截面成员的识别名称：
7
对截面成员的识别名称没有特别要求，但必须能使用这 些识别名称建立合法的EViews序列名称。此处推荐在每个识 别名中使用“_”字符，它不是必须的，但把它作为序列名的 一部分，可以很容易找到识别名称。
8
2. Pool序列命名 在Pool中使用序列的关键是序列命名：使用基本名和 截面识别名称组合命名。截面识别名称可以放在序列名中 的任意位置，只要保持一致即可。 例如，现有一个Pool对象含有识别名 ＿JPN， ＿USA， ＿UK，想建立每个截面成员的GDP的时间序列，我们就使 用“GDP”作为序列的基本名。 可以把识别名称放在基本名的后面，此时序列名为 GDP＿JPN，GDP＿USA，GDP＿UK；或者把识别名称放 在基本名的前面，此时序列名为JPN＿GDP，USA＿GDP， UK＿GDP。 把识别名称放在序列名的前面，中间或后面并没什么 关系，只要易于识别就行了。但是必须注意要保持一致， 不能这样命名序列：JPNGDP，GDPUSA，UKGDP1，因 为EViews无法在Pool对象中识别这些序列。
变量）信息的数据结构称为面板数据（panel data）。 有的书中也称为平行数据。本章将利用面板数据的计量
模型简称为Panel Data 模型。
1
经典线性计量经济学模型在分析时只利用了面板数据
中的某些二维数据信息，例如使用若干经济指标的时间序 列建模或利用横截面数据建模。然而，在实际经济分析中，
列，或用于估计。也可以使用Pool对象来处理各单独序列。
11
10.1.2 输入Pool数据
有很多种输入数据的方法，在介绍各种方法之前，首 先要理解面板数据的结构，区别堆积数据和非堆积数据形 式。 面板数据的数据信息用三维表示：时期，截面成员， 变量。例如：1950年，通用汽车公司，投资数据。 使用三维数据比较困难，一般要转化成二维数据。有 几种常用的方给定截面成员、给定变量的观测值放在一起，但和 其他变量、其他截面成员的数据分开。例如，假定我们的 数据文件为下面的形式：
19
20
通过附录A的学习，大家对这个对话框应该比较熟悉， 填写说明如下： 注明Pool序列是按行还是按列排列，数据是按截面成 员堆积还是按日期堆积。 在编辑框输入序列的名称。这些序列名应该是普通序 列名或者是Pool名。 填入样本信息，起始格位置和表单名（可选项）。 如果输入序列用Pool序列名，EViews会用截面成员识 别名创建和命名序列。如果用普通序列名，EViews会创建 单个序列。 EViews会使用样本信息读入文件到说明变量中。如果 输入的是普通序列名，EViews会把多个数据值输入到序列 中，直到从文件中读入的最后一组数据。
17