当前位置：文档之家 › 按混合模型、变截距模型和变系数模型区分

按混合模型、变截距模型和变系数模型区分

  • 格式：ppt
  • 大小：1.44 MB
  • 文档页数：127

下载文档原格式

  / 127

合集下载

西部民族地区经济增长和环境污染的实证研究——基于CO_2排放量的面板数据测度

西部民族地区经济增长和环境污染的实证研究——基于CO_2排放量的面板数据测度
ｐｏ ｎ ｅ． ｒ ｖｉ ｃ ｓ
Ｋｅ ｙ ｗｏｒ ｓ ｄ ：ｗｅ ｔ ｒ ｎｏ ｉｙ ｎ ｉ ｎａ ｉｙ ａ ｅ ｓ；ｅ ｏｎ ｓ ｅ ｎ ｍｉ ｒｔ ａｔｏ ｌｔ ｒ ａ ｃ ｏｍｉ ｒ ｃ ｇ ｏｗｔ ｈ；ｅ ｉｏ ｎｖ ｒ ｎｍｅ ｔ ｐ ｌ ｔｏ ｎ ｏｌｕ ｉ ｎ
续 发展贡 献 不大 。西部 民族 地 区经 济增长 不能 再出
现 “ 能 耗 ， 污 染 ， 效 率 ” 模 式 。 因 此 本 文 对 西 高 高 低 的
实验 室 二 氧化 碳 信 息 分 析 中心 （ Ｄ ＡＣ Ｃ Ｉ ）计 算 了世 界 各 国 自 １５ ８ ０年 以来 的逐 年碳排 放数据 ， 目前世 是 界 碳排 放研究 中使 用 最 为广 泛 的数据 源 之 一 。 了 为
放量。
（ ）影响 经济增 长 的要 素 。 质 资本 存 量 （ ， ３ 物 Ｋ）
１ 实 证 研 究
１ １ 模 型 的 构 建 ．
以支 出法 核算地 区生产 总值 中资本 形 成 总 额部 分 。 舒 尔 茨 （９ ０ １９ ）认为 ， 体现物 质产 品的 物质 资本 一 与
样， 人力 资本 体现 于劳 动者身 上 ， 过投 资形成 的 由 通
２ 实 证 结 果
２ １ 面板 单位 根检验 ．
ｔ 年的数 据 ； ｙ表示 产 出 ； Ｋ表 示物 质资本 存量 ； 表 Ｈ
示 人力 资本 存量 ； Ｌ为劳 动力 投人 量 ； 为 污染 排放 Ｐ 量 ； 为除 了 Ｋ ， ， Ｐ之 外 的其 他 影 响 经 济增 长 Ａ Ｈ Ｌ， 的 因素 。
．
ｔｏ ｓ ｉ ｔｏ ｓｇｉ ｅ ． Ｔｈｅ ｅ ｉ ｎ ｅ ｔｍａ ｉ ｎ ｉ ｖ ｎ ｍｐｉｉａ ｅ ｕ ｔ ｈｏ ｔ ａ ｈｅ ｒ ｄｕ ｔｏｎ ｏ ｒｃ ｌｒ ｓ ｌｓ ｓ ｗ ｈ ｔ ｔ ｅ ｃ ｉ ｆ ＣＯ２ ｅ ｉｓｏｎ ｉ ｎｎｅ ｍ ｓ ｉ ｎ Ｉ ｒ

区域城镇化进程对房地产开发投资的影响研究--基于安徽省16市的数据分析

区域城镇化进程对房地产开发投资的影响研究--基于安徽省16市的数据分析

区域城镇化进程对房地产开发投资的影响研究摘要：文章基于安徽省16市2008年至2018年的面板数据，采用固定效应变系数模型，实证研究了区域城镇化进程对房地产开发投资的影响。

研究发现：经济、空间城镇化进程促进了安徽房地产开发投资发展，但人口城镇化未与空间城镇化相呼应推动房地产业的发展；同时，区域内城镇化发展存在差距，在皖南和皖北地区之间表现显著；而皖中地区人口城镇化对房地产开发投资虽起到正向影响，但弹性系数不大，以及各地区新型城镇化发展并不显著。

关键词：城镇化；房地产开发投资；区域差异；变系数模型中图分类号：F293文献标识码：A 文章编号：2095-0438（2021）03-0009-04(安徽建筑大学经济与管理学院安徽合肥230601)金长宏杨梦杰∗∗∗第41卷第3期绥化学院学报2021年3月Vol.41No.3Journal of Suihua UniversityMar .2021收稿日期：2020-09-23作者简介：金长宏（1964-），男，安徽合肥人，安徽建筑大学教授，硕士研究生导师，博士，研究方向：房地产投融资、房地产项目风险管理；通讯作者：杨梦杰（1996-），女，安徽阜阳人，安徽建筑大学硕士研究生，研究方向：房地产开发与经营。

近几十年，我国城镇化建设不断突进，城镇化率达到59.68%（2018）已步入快速发展阶段，略高于世界平均水平55%，但与一些发达国家英国（83%）、日本（92%）相比，还存在较大差距。

[1]其中，城镇化发展不平衡是一个重要原因。

房地产业是我国经济的根基性产业，在城镇化的推动下，人口结构、产业结构和生活需求都会发生变换，进而影响到房地产开发投资的发展。

同时城镇化是房地产业发展的源生力，为房地产业的可持续发展提供了基础，那么，城镇化发展不平衡会对房地产开发投资产生怎样的影响？鉴于安徽是国家第一批新型城镇化试点省份，对于本课题研究具有积极意义，故本文选用安徽16市作为研究对象，从人口、经济（包含产业城镇化）、空间以及社会城镇化四个方面，选用复合指标法衡量城镇化进程；并通过16市2008-2018年的面板数据，利用协整检验、协方差分析检验以及构建固定效应变系数模型等多种分析方法实证探究安徽省区域内城镇化进程对房地产开发投资的影响。

商业银行贷款集中度的风险与收益分析

商业银行贷款集中度的风险与收益分析

商业银行贷款集中度的风险与收益分析作者：王博格来源：《商业经济研究》2018年第23期内容摘要：本文通过选取15家商业银行2009-2016年的面板数据，根据国有银行、股份制银行、城市商业银行进行分类，设立模型进行分析，研究贷款集中度对总资产收益率、不良贷款率、资本充足率的影响。

研究发现，对于资产规模较大的商业银行而言，贷款集中度侵蚀商业银行的利润，增加不良贷款率；对于资产较小的商业银行，贷款集中度与总资产收益率成正相关，与不良贷款率呈负相关。

因此应建立贷款集中度风险预警机制，关注中小银行的贷款集中度。

关键词：商业银行贷款集中度风险收益引言贷款集中度指的是贷款额度占银行资本净额的比重，贷款集中于某一个行业、集团或者客户。

通常商业银行的年报通过单一客户贷款比率、最大十家客户贷款比例来描述贷款集中度。

适当的贷款可以为银行带来利润，但同时，过于集中于某一客户或行业的贷款可能增加银行系统性风险，侵蚀利润。

根据人民银行统计的数据，2017年人民币贷款增量138432亿元，同比增长11.3%。

随着货币宽松政策，银行的贷款数量增加，流向了交通等利润较高的行业，贷款集中度增加，对行业结构产生不利影响。

根据各个商业银行的年报，虽然近几年贷款集中度呈现下降趋势，但还是占有一定比例。

国外的文献中，Tabak，Benjamin M（2011）采用巴西银行的月面板数据进行分析，认为贷款集中度可以提高收益回报和降低风险；Skridulyte，Rita（2012）认为银行的贷款集中度增加了银行风险，并基于立陶宛的银行数据进行了分析。

国内的文献中，王旭（2013）对十八家商业银行面板数据进行分析，认为贷款集中度侵蚀着商业银行的利润，同时增加银行风险，并且在不同类型的商业银行中存在差异；王海霞（2009）把商业银行从东部、西部、中部划分，得出贷款集中度直接与银行的风险抵御能力、盈利水平有关，是加剧商业银行脆弱性的重要因素之一；魏晓琴（2011）认为不同类别的商业银行贷款集中度对收益与风险的影响相关程度不同，与地域、国家政策等等因素有关。

第十三章面板数据的处理

第十三章面板数据的处理

第十三章面板数据的处理第十三章面板数据的处理一、面板数据的定义、意义和种类面板数据是调查经历一段时间的同样的横截面数据，具有空间和时间的两种特性。

它还有其他一些名称，诸如混合数据，纵列数据，平行数据等，这些名字都包含了横截面单元在一段时期的活动。

面板数据的优点在于：1.提供了更有价值的数据，变量之间增加了多变性和减少了共线性，并且提高了自由度和有效性。

2.能够更好地检测和度量单纯使用横截面数据或时间序列数据无法观测到的影响。

3.能够对更复杂的行为模型进行研究。

形如01122it it it it Y X X u βββ=+++其中，i 表示第i 个横截面单元，t 表示第t 年。

一般，我们用i 来表示横截面标识符，用t 表示时间标识符。

假设N 个横截面单元的观测次数相同，我们称之为平衡面板，反之，称为非平衡面板。

一般假设X 是非随机的，误差项遵从经典假设。

二、面板数据回归模型的类型与估计方法（一）面板数据回归模型的类型对于面板数据模型 i t i i t i Y X u αβ=++，可能的情形主要有如下几种。

1．所有系数都不随时间和个体而变化在横截面上无个体影响、无结构变化，即i j αα=，i j ββ=。

则普通最小二乘估计给出了和的一致有效估计。

相当于将多个时期的截面数据放在一起作为样本数据。

it it it Y X u αβ=++。

2．变截距模型在横截面上个体影响不同，个体影响表现为在模型中被忽略的反映个体差异的影响，又分为固定效应和随机效应两种。

it i it it Y X u αβ=++3．变系数模型除了存在个体影响之外，在横截面上还存在变化的经济结构，因而结构参数在不同横截面单位是不同的。

i j αα≠，i j ββ≠。

it i it i it Y X u αβ=++。

看到面板数据之后，如何确定属于哪一种类型呢？用F 检验假设1：斜率在不同的横截面样本点上和时间上都相同，但截距不相同，即情形2。

国际钢铁企业利润率、市场集中度和经营效率分析

国际钢铁企业利润率、市场集中度和经营效率分析

国际钢铁企业利润率、市场集中度和经营效率分析蒋为清【摘要】通过实证检验发现:世界钢铁行业集中度与行业平均税前销售利润率之间的线性相关性不显著,二者之间可能存在一种非线性的关系;国际钢铁公司的规模大小与其税前利润率高低没有显著的关系;国际钢铁公司的利润率与其经营效率有很强的正相关性.因此,钢铁企业自身的经营效率才是决定企业盈利能力的关键因素.【期刊名称】《冶金经济与管理》【年(卷),期】2010(000)002【总页数】5页(P24-27,31)【关键词】国际钢铁企业;税前利润率;市场集中度;经营效率【作者】蒋为清【作者单位】宝钢集团经济管理研究院,上海201900【正文语种】中文【中图分类】F416.3自20世纪50年代末美国学者贝恩[1，2]开始进行产业组织结构与企业利润率关系研究工作以来，产业集中度与企业利润率之间的关系已经成为各国产业组织理论研究的焦点问题。

大量研究表明，集中度与利润率之间存在着某种程度的相关性。

一些学者认为，较高集中度的产业有较高的利润率是因为产业内寡头企业相互合谋，抬高价格而导致高利润率；另外一些学者认为在高集中度的产业内部企业的高利润率不是来自寡头企业的合谋，而是来自于企业生产效率的提高[3]，本文中笔者选取20家在国际钢协2002—2008年排名中名列前茅的国际钢铁上市公司（中国大陆钢铁公司除外）作为样本，实证检验到底是钢铁产业集中度和企业规模的提升对国际钢铁公司利润率有显著的贡献，还是国际钢铁公司经营效率的高低决定了他们利润率的高低，由此得出政策层面和企业经营层面的启示和建议。

一、影响世界钢铁企业利润率的主要因素1.世界钢铁工业的集中度和行业平均利润率1959年贝恩完整地提出了结构—行为—绩效的SCP范式理论，强调市场结构决定企业的市场行为，而在一个给定的市场结构条件下，市场行为又是市场绩效的决定因素。

在以后的经验性研究中，SCP范式发现了大量的产业集中度、市场份额、产品多样化等市场结构类指标与利润率之间的相关关系。

6.0 非经典截面数据计量经济学模型

6.0 非经典截面数据计量经济学模型
第六章 非经典截面数据计量经济学模型
说明
• 非经典截面数据计量经济学模型主要包括：
– 将被解释变量抽样由完全随机扩展为受到限制的受限 被解释变量模型（Model with Limited Dependent Variable)。包括：
• 选择性样本模型(Selective Samples Model) • 持续时间被解释变量模型（Model for Duration Data）
b
1 d
bc
ba
c
如果ξ服从均匀分布U(a, b)，但是它只能在(c, b)内取得样本观测值，那么取得每一个样本
观测值的概率
f ( a) f () P( a) (2 2 ) 1 2 e ( )2 /(2 2 )

1 ( ) 1 ( ) 1 ( )
– 一是，所抽取的部分个体的观测值都大于或者小于某 个确定值，即出现“掐头”或者“去尾”的现象，与 其它个体的观测值相比较，存在明显的“截断点”。
– 二是，所抽取的样本观测值来自于具有某些特征的部 分个体，但是样本观测值的大小与其它个体的观测值 相比较，并不存在明显的“截断点”。
• 样本选择受到限制。

yi
Xi
2

i
X i
1
2 2

( yi
Xi )2
2 4

i i 2 2


n i 1
gi
0
i (a X i ) i (i ) (1 (i ))
• 求解该1阶极值条件，即可以得到模型的参数估计 量。
2、“归并” (censoring)问题
• 将被解释变量的处于某一范围的样本观测值都用 一个相同的值代替。

保险资金投资效率影响因素分析r——基于面板数据的实证研究

保险资金投资效率影响因素分析r——基于面板数据的实证研究朱衡【摘要】作为保险公司的主要利润来源,保险资金投资效率对公司的长远发展至关重要.本文利用2007-2014年23个保险公司的相关数据,运用面板数据对保险资金投资效率的影响因素进行实证研究,得出影响投资效率的内部因素.实证结果表明,资产规模与保险资金运用效率呈现负相关;定期存款投资比例与长期类证券投资比例对保险资金投资效率的影响是显著负相关的;且市场份额增大提高了保险资金的投资效率;营业费用占比与人力资本对保险公司的投资效率起着消极作用,但影响结果不显著.【期刊名称】《保险职业学院学报》【年(卷),期】2018(032)001【总页数】6页(P13-18)【关键词】保险资金;投资效率;面板数据【作者】朱衡【作者单位】西南财经大学保险学院 ,四川成都611130【正文语种】中文【中图分类】F840.43一、引言2014年《国务院关于加快发展现代保险服务业的若干意见》正式公布，明确指出要充分发挥保险资金长期投资的独特优势，在保证安全性、收益性前提下，创新保险资金运用方式，提高保险资金配置效率。

随着保险资金规模持续扩大，优化资产配置需求不断提高，需要更加高效有力、科学坚实的基础研究作为支撑。

目前关于保险资金投资效率的研究较少。

国外主要以保险业效率研究为主，Diacon(1996)对欧洲六国之间的效率差异进行了分析，并探究了国内保险公司的影响因素。

Cummins等(1999)研究美国寿险业的兼并重组、规模经济和效率之间的关系，估计美国人寿保险公司的效率。

Andrew等(2002)测算了澳大利亚非寿险公司的纯技术效率、规模效率、配置效率及成本效率。

Yang(2006)将DEA方法运用到加拿大寿险公司的技术效率估算中，并在评估系统效率中有效地结合了生产效率和投资效率。

国内研究集中在保险公司的经营效率(侯晋，朱磊，2004；田新民，李晓宇，2013；韩珂，陈宝峰，2014)。

13、第七章（面板数据模型——固定影响变系数模型）

面板（平行）数据模型——固定影响变系数模型一、研究目的面板数据模型从系数的角度看，可以分为3种类型，即：不变系数模型（也称为混合模型）、变截距模型、变系数模型。

这三种类型在固定影响变截距模型案例分析中已经介绍过了。

从估计方法的角度看，也可以分为3种类型，分别是：混合模型、固定影响（效应）模型、随机影响（效应）模型。

混合模型也就是不变系数模型，这时面板的三维数据和二维数据没有区别，面板模型等同于一般的回归模型，因此采用OLS就可以得到估计结果。

固定影响模型分为变截距模型和变系数模型，变截距模型在之前的案例分析中介绍了，本案例介绍固定影响变系数模型，以及之前的案例分析中没有涉及的面板数据模型中的一些知识和操作的介绍。

至于随机效应模型会在高级计量分析案例中介绍。

二、面板数据模型原理1、面板数据模型原理这部分内容参见固定影响变截距模型案例分析2、固定影响模型与随机影响模型的区别所谓的固定、随机、混合，主要是针对分组变量而言的。

固定效应模型，表示你打算比较的就是你现在选中的这几组。

例如，我想比较10个公司的业绩，分析目的就是为了比较这10个公司的差别，不想推广到其他公司。

这10个公司不是从很多公司中抽样出来的，分析结论不想推广到其他公司，结论仅限于这10个公司。

“固定”的含义正在于此，这10个公司是固定的，不是随机选择的。

随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。

例如，你打算分析上述10个公司所在行业内其他公司的业绩，那么你所选的10个公司业绩的分析研究，其目的不是为了比较这10个公司的业绩差异，而是为了说明整个行业的所有公司的业绩差异。

你的研究结论就不仅仅限于这10个公司，而是要推广到整个行业。

“随机”的含义就在于此，这10个公司是从整个行业中挑选出来的。

混合效应模型就比较好理解了，就是既有固定的因素，也有随机的因素。

一般来说，只有固定效应模型，才有必要进行两两比较，随机效应模型没有必要进行两两比较，因为研究的目的不是为了比较随机选中的这些组别。

人口老龄化对人口集聚的影响——基于面板数据模型


Ｐｉ / ∑ ｉ ＝ １ Ｐｉ
(８)
Ａｉ / ∑ ｉ ＝ １ Ａｉ
Ｎ
式中ꎬ Ｐ ｉ 表示该地区的年末人口总数ꎻ Ａ ｉ 表示该
型ꎬ 即选择模型 ( ４) ꎻ 当拒绝 Ｈ ２ 、 Ｈ １ 时ꎬ 应建立变
地区的行政区域面积ꎻ Ｎ 表示 ３１ 个省份ꎮ 数据主要
１ １ ４ Ｆ 检验和 Ｈａｕｓｍａｎ 检验
每当老年抚养比增长 １ 个单位时ꎬ 该地区人口集聚度
面板 协 整 检 验ꎮ Ｋａｏ 检 验 的 结 果 显 示 ｔ 统 计 量 为
检验) 为 １７２ ７ (０ ００００) 、 Ｆｉｓｈｅｒ 统计量 ( 最大特征
根检验) 为 １２１ １ (０ ００００) ꎮ 这 ２ 种检验的原假设均
为 “ 没有协整关系” ꎬ 由检验结果可知ꎬ Ｋａｏ 检验和
立合适的面板数据模型ꎬ 从人口老龄化的角度考虑其
对人口集聚的影响作用ꎮ
收稿日期: ２０２１－０３－２２
协整检验的目的是检验 变 量 在 同 阶 单 整 的 情 况
要有 Ｆｉｓｈｅｒ、 Ｋａｏ 协整检验 ２ 类ꎬ 前者是以不存在协
整检验的 Ｐ 值ꎬ 原假设的统计量:
ｐ ＝ － ２∑ ｌｏｇ ｐ ｉ → χ ２(２Ｎ)
摘 要: 本文基于 ２００５—２０２０ 年中国 ３１ 个省 ( 市、 自治区) 的省级面板数据ꎬ 通过建立合适的个体固定效应面
板数据模型对人口老龄化、 人口集聚之间的关系进行了实证研究ꎮ 结果发现ꎬ 人口老龄化对人口集聚产生了显著
的抑制影响ꎬ 这意味着随着地区人口老龄化程度的加深ꎬ 会对该地区吸引适龄劳动力的能力有着抑制的作用ꎮ
« 中国统计年鉴» ꎬ 样本量为 ４９６ 个ꎮ
系数模型ꎬ 即选择模型 (５) ꎮ

产业结构的合理化_高级化会否缩小_省略_11年中国省级面板数据的经验分析_程莉.

被解释变量。 城 乡 收 入 差 距 （ＤＩＳ）。 鉴 于 各 地 区 相 关 数 据 的 可 获 得 性 ，在 此 就 不 利 用 前 文 计算全国层面城乡收入差距所采用的泰尔指数 方 法 ，而 用 城 镇 居 民 人 均 可 支 配 收 入 与 农 村 人 均 纯收入的比值来衡量。
解释变量。产业结构合理化与高级化。产 业 结 构 合 理 化 也 指 产 业 结 构 的 平 衡 度 ，表
本文的解释变量只包括产业结构变迁的衡 量 指 标 ，把 影 响 城 乡 收 入 差 距 的 主 要 因 素 放 在 控 制 变 量 中 ，而 把 影 响 城 乡 收 入 差 距 的 其 余 因 素 归 类 到 残 差 项 。 为 了 缓 解 异 方 差 现 象 ，对 所 有 变 量 取 对 数 ，实 证 研 究 模 型 如 下
图 １ １９７８－２０１１ 年 中 国 产 业 结 构 合 理 化 与 高 级 化 变 化 趋 势
从 图 １ 可 以 看 出 ，总 体 上 ，产 业 结 构 合 理 化 指 数日渐 趋 近 于 ０，２０１１ 年 达 到０．０８２ ８，说 明 产 业 结构与就业结构逐步在走向均衡。从前文的分析 来看 ，我 国城 乡 收 入 差 距 总 体 上 呈 现 出 不 断 扩 大 的 趋 势 ，那 么 结 合 图 １，产 业 结 构 合 理 化 指 数 不 断 降低，高级 化 指 数 不 断 升 高，且 均 经 历 了 数 次 波 动，其变化与中国经济改革进程是紧密契合的，具 有较强的时段性特征。据此，可以得出，产业结构 合理 化 与 城 乡 收 入 差 距 呈 现 负 向 变 动 趋 势 ，而 产 业结构高级化与城乡收入差距则整体上处于正向 的变化趋势。因此，本文提出如下研究假说
８２
收 稿 日 期 ：２０１４－０７－１３ 作者简介：程莉，女，重庆工商大学经济学院讲师，博士，主 要 从 事 区 域 经 济 学 和 发 展 经 济 学
  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)。

3
10.1 Pool对象 Pool对象
EViews对Panel Data模型的估计是通过含有 对 模型的估计是通过含有Pool对象 对象 模型的估计是通过含有 的工作文件和具有面板结构的工作文件来实现的。 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 处理面板数据的EViews对象称为Pool。通过Pool对象 对象称为Pool。通过 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 可以实现对各种变截距、变系数时间序列模型的估计， Pool对象侧重分析“窄而长”的数据，即截面成员较少， 对象侧重分析“窄而长”的数据，即截面成员较少， 对象侧重分析 而时期较长的侧重时间序列分析的数据。 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 对于截面成员较多，时期较少的“宽而短” 面分析的数据，一般通过具有面板结构的工作文件 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 workfile）进行分析。 可以实现变截距Panel Data模型以及动态 可以实现变截距 模型以及动态Panel Data模型 模型 模型以及动态 的估计。 的估计。
第十章
Panel Data模型 Data模型
在进行经济分析时经常会遇到时间序列和横截面两 者相结合的数据。例如，在企业投资需求分析中， 者相结合的数据。例如，在企业投资需求分析中，我们 会遇到多个企业的若干指标的月度或季度时间序列； 会遇到多个企业的若干指标的月度或季度时间序列；在 城镇居民消费分析中， 城镇居民消费分析中，我们会遇到不同省市地区的反映 居民消费和居民收入的年度时间序列。 居民消费和居民收入的年度时间序列。本章将前述的企 业或地区等统称为个体，这种具有三维 个体、指标、 具有三维（ 业或地区等统称为个体，这种具有三维（个体、指标、 时间） 信息的数据结构称为面板数据（ 时间 ） 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 有的书中也称为平行数据。 模型简称为Panel Data 模型。 模型。 模型简称为
2
面板数据含有横截面、时间和指标三维信息， 面板数据含有横截面、时间和指标三维信息，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， 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， 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， 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。
8
2. Pool序列命名 Pool序列命名 中使用序列的关键是序列命名： 基本名和 在 Pool中使用序列的关键是序列命名 ： 使用 基本名 和 中使用序列的关键是序列命名 使用基本名 截面识别名称组合命名 组合命名。 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。 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， 例如，现有一个 对象含有识别名 ， ， 的时间序列， ＿UK，想建立每个截面成员的 ，想建立每个截面成员的GDP的时间序列，我们就使 的时间序列 作为序列的基本名。 用“GDP”作为序列的基本名。 作为序列的基本名 以把 在基 本名的 后 面 此时 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， 在基本名的前面 ， 此时序列名为 ＿ ， ＿ ， UK＿GDP。 ＿ 。 把识别名称放在序列名的前面， 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， 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 不能这样命名序列 ： ， ， ， 无法在Pool对象中识别这些序列。 对象中识别这些序列。 为EViews无法在 无法在 对象中识别这些序列
3个变量： 个变量： 个变量
创建Pool对象，选择 对象，选择Objects/New Object/Pool…并在编辑 创建 对象 并在编辑 窗口中输入截面成员的识别名称： 窗口中输入截， 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 序列名称。 些识别名称建立合法的 序列名称 别名中使用“ 字符 它不是必须的， 字符， 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。 一部分，可以很容易找到识别名称。
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） （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） （反映企业必要重置投资期望值）
9
3. Pool序列概念 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， 中的截面成员识别名称相对应， 一旦选定的序列名和 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 就可以利用这些序列使用 了 其中关键是要理解Pool序 序 列的概念。 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 序列实际就是一组序列, 一个 序列实际就是一组序列 序列名使用基本名和“ 所有截面识别名构成的。Pool序列名使用基本名和“ ?”占位 所有截面识别名构成的。Pool序列名使用基本名和 ?”占位 其中“ ?”代表截面识别名 如果序列名为GDPJPN， 代表截面识别名。 符 ， 其中 “ ?” 代表截面识别名 。 如果序列名为 ， GDPUSA，GDPUK，相应的 序列为GDP?。如果序列名 ， ，相应的Pool序列为 序列为 。 为JPNGDP，USAGDP，UKGDP，相应的 ， ， ，相应的Pool序列为 ?GDP。 序列为 。 当使用一个Pool序列名时，EViews认为将准备使用 序列名时， 认为将准备使用Pool 当使用一个 序列名时 认为将准备使用 序列中的所有序列。 序列中的所有序列。EViews会自动循环查找所有截面识别名 会自动循环查找所有截面识别名 称并用识别名称替代“ 。 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 序列必须通过Pool对象来定义 对象来定义， 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 就没有意义。 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 Pool对象的核心是建立表示截面成员的名称表 。 为明 对象的核心是建立表示截面成员的名称表。 显起见，名称要相对较短。 例如，国家作为截面成员时， 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。 可以使用 代表美国， 代表加拿大， 代表英国。 代表美国 代表加拿大 代表英国 定义了Pool的截面成员名称就等于告诉了 的截面成员名称就等于告诉了EViews，模 定义了 的截面成员名称就等于告诉了 ， 型的数据结构。 在上面的例子中， 型的数据结构 。 在上面的例子中 ， EViews会自动把这个 会自动把这个 Pool理解成对每个国家使用单独的时间序列。 理解成对每个国家使用单独的时间序列。 理解成对每个国家使用单独的时间序列 必须注意，Pool对象本身不包含序列或数据 对象本身不包含序列或数据。 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， Pool对象只是对基本数据结构的一种描述。因此，删除一 对象只是对基本数据结构的一种描述。 并不会同时删除它所使用的序列， 个Pool并不会同时删除它所使用的序列，但修改 并不会同时删除它所使用的序列 但修改Pool使用的 使用的 原序列会同时改变Pool中的数据。 中的数据。 原序列会同时改变 中的数据
10
4. 观察或编辑Pool定义 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 中的截面成员识别名称， 要显示 中的截面成员识别名称 Define按钮，或选择View/Cross-Section Identifiers。如果需 按钮，或选择 按钮 。 要，也可以对识别名称列进行编辑。 也可以对识别名称列进行编辑。
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， 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， 列建模或利用横截面数据建模。然而，在实际经济分析中， 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， 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， 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， 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（ 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（ 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 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。 革新的综合分析。
5. Pool序列数据 Pool序列数据 Pool中使用的数据都存在普通 中使用的数据都存在普通EViews序列中。这些序列 序列中。 中使用的数据都存在普通 序列中 可以按通常方式使用：可以列表显示，图形显示， 可以按通常方式使用：可以列表显示，图形显示，产生新序 对象来处理各单独序列。 列，或用于估计。也可以使用Pool对象来处理各单独序列。 或用于估计。也可以使用 对象来处理各单独序列