当前位置：文档之家 › 时间序列_截面数据模型_s

时间序列_截面数据模型_s

  • 格式：ppt
  • 大小：1.55 MB
  • 文档页数：88

下载文档原格式

  / 88

合集下载

时间序列分析教案

时间序列分析教案

时间序列分析教案
ARIMA模型基础：平稳性和可逆性问题
v ARMA(p,q)模型有意义则要求时间序列满足平稳性和可逆
性的条件.
v 这意味着序列均值不随着时间增加或减少，序列的方差不随时
间变化等。
v 一个实际的时间序列是否满足这些条件是无法在数学上验证的
，但模型可以近似地从后面要介绍的时间序列的自相关函数和
•注：spss中ARIMA 建模方法会自动进行差分和平滑处理，但不处理异常值。
PPT文档演模板
时间序列分析教案
时间序列模型: SARIMA 模型
v 在对含有季节、趋势和循环等成分的时间序列进行ARIMA模型 的拟合研究和预测时，模型需要增加4个参数，增加后可记为 ARIMA(p,d,q)(P,D,Q)s。（在有已知的固定周期s时，如果 是每年的月数据则s=12，其它周期依此类推，如每月的周数据 s=4等）
v 如果不仅满足于分解现有的时间序列，想要对未来进行预测，就 需要建立模型。这里先介绍比较简单的指数平滑(exponential smoothing)。
v 指数平滑只能用于纯粹时间序列的情况，而不能用于含有独立变 量时间序列的因果关系的研究。
v 指数平滑的原理为：当利用过去观测值的加权平均来预测未来的 观测值时（这个过程称为平滑），离得越近的观测值要给以更多 的权。
v 一般的ARIMA模型有多个参数，没有季节成分的可以记为ARIMA(p,d,q) ，如果没有必要利用差分来消除趋势或循环成分时，差分阶数d=0，模型为 ARIMA(p,0,q)，即ARMA(p, q)。
v 在有已知的固定周期s时，模型多了4个参数，可记为 ARIMA(p,d,q)(P,D,Q)s。（如果是每年的月数据则s=12，其它周期依 此类推，如每月的周数据s=4等）

面板数据基本知识

面板数据基本知识

⾯板数据基本知识⾯板数据模型1．⾯板数据定义。

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。

⾯板数据⽰意图见图1。

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。

⾯板数据⽤双下标变量表⽰。

例如y i t, i = 1, 2, …, N; t = 1, 2, …, TN表⽰⾯板数据中含有N个个体。

T表⽰时间序列的最⼤长度。

若固定t不变，y i ., ( i = 1, 2, …, N)是横截⾯上的N个随机变量；若固定i不变，y. t, (t = 1, 2, …, T)是纵剖⾯上的⼀个时间序列（个体）。

图1 N=7，T=50的⾯板数据⽰意图例如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个农业总产总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。

对于⾯板数据y i t, 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）。

注意：EViwes 3.1、4.1、5.0既允许⽤平衡⾯板数据也允许⽤⾮平衡⾯板数据估计模型。

第十章 合并时间序列和截面数据

第十章 合并时间序列和截面数据
2 Var (eGt ) = σ G 2 Var (eW t ) = σ W
（10.2.5） （10.2.6）
cov(eGt , eGs ) = 0 cov(eW t , eW s ) = 0
（10.2.7） （10.2.8）
假设（10.2.7）就是说在第一个投资函数中的误差项具有下列特征（1）零均 值； （2）同方差； （3）关于时间不相关，即自相关不存在。同样的假设对第二个
第一节 一个经济例子 我们知道，投资需求就是个体和公司购买耐用产品。从总支出的组成来讲， 投资支出是易变的成份。于是，搞清楚什么因素决定投资是理解总需求中波动性 来源的关键。此外，公司的净固定投资（它可以是流入公司的资本存量，或者是 替代公司已报废的资本）是很重要的，因为它决定公司资本的未来价值，进而影 响未来的劳动生产率和总供给。 许多有趣和精细的理论都曾试图描述公司投资过程的决定因素，并且绝大多 数这类理论都得出了这样的结论， 即预期利润或未来收益的净现值和期望资本存 量是公司的固定行业投资的两个重要决定因素。然而，不幸的是这些变量都不可 以直接观测。于是，在构造经济模型时我们就必须用可观测的替代量来代替这些 不可观测的变量。 对于预期利润来说，可用的替代量是公司有价证券的市场价值。由于公司的 股票价格说明和包含了有关这些预期利润的信息， 所以它与公司未来收益的现值 是一致的。 从而， 我们就更明确地把公司股票年初的市场价值 Vt 作为预期利润的
这里令 y it = INVit 表示因变量的数值， x 2it = Vit 和 x 3it = K it 表示解释变量的数值。 于是，相应与（10.1.1）式的一个有弹性的线性统计模型为 y it = β 1it + β 2it x 2it + β 3it x 3it + eit （10.1.2） 在这个一般模型中， 不同的公司在同一个时期它们的截距和响应参数是允许不同 的。由于未知参数比数据点多，所以按当前的形式模型不能被估计。这样，我们 就必须作许多简化假设使得模型可以运行。 计量经济学中的一个挑战性问题就是 设定一个与数据产生过程一致的统计模型。 本章我们讨论的三个模型实际上就是 （10.1.2）式中一般模型的特殊形式。 第二节 似不相关回归（ Seemingly Unrelated Regressions Model） 对（10.1.2）式的简化就可以产生所谓似不相关回归（SUR）模型，即 β1it = β1i β 2it = β 2i β 3it = β 3i （10.2.1）

面板数据及其基本模型

面板数据及其基本模型

⾯板数据及其基本模型⾯板数据的定义在学习⾯板数据之前，我先介绍时间序列数据和截⾯数据的概念时间序列数据：时间序列数据是指对同⼀对象在不同时间连续观察所取得的数据。

它着眼于研究对象在时间顺序上的变化，寻找空间(对象)历时发展的规律。

利⽤时间序列作样本时，要注意⼏个问题：⼀是所选择的样本区间内经济⾏为的⼀致性问题；⼆是样本数据在不同样本点之间不可⽐，需要对原始数据进⾏调整，消除其不可⽐因素；三是样本观测值过于集中，因⽽时间序列数据不适宜于对模型中反映长期变化关系的结构参数的估计；四是模型随机误差的序列相关问题。

**notes：两个关键词：同⼀个对象，不同时间，例如：2016-2018年上海市⽉度cpi同⽐数据。

截⾯数据：横截⾯数据是指在某⼀时点收集的不同对象的数据。

它对应同⼀时点上不同空间(对象)所组成的⼀维数据集合，研究的是某⼀时点上的某种经济现象，突出空间(对象)的差异。

横截⾯数据的突出特点就是离散性⾼。

横截⾯数据体现的是个体的个性，突出个体的差异，通常横截⾯数据表现的是⽆规律的⽽⾮真正的随机变化。

即计量经济学中所谓的“⽆法观测的异质性”。

在分析横截⾯数据时，应主要注意两个问题：⼀是异⽅差问题，由于数据是在某⼀时期对个体或地域的样本的采集，不同个体或地域本⾝就存在差异；⼆是数据的⼀致性，主要包括变量的样本容量是否⼀致、样本的取样时期是否⼀致、数据的统计标准是否⼀致。

**notes：某⼀时间不同对象例如：上海市2016年7⽉cpi，gdp，ppi...⾯板数据：⾯板数据，即Panel Data，是截⾯数据与时间序列综合起来的⼀种数据资源。

在分析时,多⽤PanelData模型,故也被称为⾯板数据模型. 它可以⽤于分析各样本在时间序列上组成的数据的特征,它能够综合利⽤样本信息,通过模型中的参数,既可以分析个体之间的差异情况,⼜可以描述个体的动态变化特征。

时间序列数据和截⾯数据的组合就是不同时间，不同对象的组合，这⾥我直接图吧，看得明⽩⼀些截取平时⽤的数据的⼀部分，⾃⾏领悟。

时间序列截面数据模型

时间序列截面数据模型
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
五 Pool序列
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
第十章 时间序列/截面数据模型
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;我们会遇 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;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 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 时间 指标信息的数据 结构称为时间序列/截面数据;有的书中也称为平行数据 或面板数据panel data 我们称这些数据为联合利用时间 序列/截面数据Pooled time series;cross section
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
时间序列/截面数据含有横截面 时间和指标三维信息;利用 时间序列/截面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

面板数据、截面数据、时间序列数据

面板数据、截面数据、时间序列数据

⾯板数据、截⾯数据、时间序列数据截⾯数据、时间序列数据、⾯板数据是最常见的三种样本数据形式，⽹上对于此类数据的介绍⽐较零散，我在此做⼀个汇总归纳，如有错误，欢迎指正，我在此只做简单介绍，并不涉及具体分析，特别是⾯板数据，分析⽐较复杂，有专门的书籍可以参阅。

⼀、截⾯数据（Cross Section data）1.概念：截⾯数据是指由同⼀时期、不同个体的⼀个或多个统计指标所组成的数据集。

该数据强调同⼀时期，因此也称为静态数据，我们平时获取的样本数据，⼤都具有同期性，因此截⾯数据也是最常见的样本数据。

例如：2016年各省份⼈⼝同⼀时期：2016年不同个体：不同省份⼀个统计指标：⼈⼝数不同治疗⽅法的疼痛⽔平这是⼀组常见的⽅差分析数据，同⼀时期：此处虽然没有明确告知测量时间，⼀般是默认为同期测量或忽略时间效应，如果时间效应明确不能忽略，那么数据中要增加时间变量，此时就不再是截⾯数据了。

不同个体：不同的受试者多个统计指标：此处有三个统计指标，其中包括两个分组测量，物理测试分为1组-拉伸锻炼，2组-⼒量锻炼，放松测试分为1组-肌⾁放松，2组-意念引导，外加⼀个疼痛⽔平的测量数值。

2.分析⽅法绝⼤多数统计分析⽅法都可以分析截⾯数据，可根据分析⽬的和截⾯数据类型做出选择，⽐如数据类型为连续型数据且为单个统计指标，可以使⽤描述性分析；数据类型为连续但是有多个统计指标，可以使⽤聚类分析、因⼦分析、回归分析等；统计指标有分组数据的，可使⽤⽅差分析、回归分析等。

3.注意的问题<1>截⾯数据是不同个体，有时这些个体差异很⼤，⽐如不同的省份，由此很容易产⽣异⽅差问题，因此做回归分析时，需要对此进⾏检验<2>要注意不同个体测量数据的⼀致性，这种⼀致性包括时期⼀致和统计指标⼀致。

==========================================================⼆、时间序列数据（Time Series data）1.概念：时间序列数据是指不同时期，同⼀个体的⼀个或多个统计指标做组成的数据集。

报告中的横截面和时间序列分析

报告中的横截面和时间序列分析横截面和时间序列分析在报告中的应用概述报告是现代工作中必不可少的一种沟通和表达方式，无论是在学术界还是在商业领域，报告都承载着重要的信息和分析结果。

其中，横截面和时间序列分析是两种常用的数据分析方法，它们能够帮助我们深入了解问题背后的本质和趋势。

本文将介绍横截面和时间序列分析在报告中的应用，从六个方面进行详细的论述。

一、横截面分析的应用横截面分析是指在某个特定时间点上对不同个体进行观察和研究。

在报告中，横截面分析可以用于解决多种问题，比如市场调研、客户分群和竞争对手分析等。

通过横截面分析，我们可以了解不同个体之间的差异，找到问题的症结所在，为决策提供有力的支持。

二、时间序列分析的应用时间序列分析是指按时间顺序对一系列观察值进行研究和分析。

在报告中，时间序列分析常常用于预测和趋势分析。

它可以帮助我们了解数据的周期性、趋势性和随机性，并基于此做出合理的未来预测。

比如，我们可以利用时间序列分析来预测销售额、股票价格和生产产量等指标，为企业的战略制定提供依据。

三、横截面与时间序列分析的结合在实际应用中，横截面和时间序列分析经常结合起来使用，以获得更全面和准确的分析结果。

比如，在进行市场调研时，我们可以通过横截面分析了解市场上不同产品的销售额和市场份额，再结合时间序列分析来预测未来的市场走势。

这种分析方法可以帮助企业了解市场中的竞争格局，制定合适的市场策略。

四、横截面与时间序列分析的工具和技术要进行有效的横截面和时间序列分析，我们需要借助一些专门的工具和技术。

在报告中，常用的工具包括统计软件、数据可视化工具和计量经济学模型等。

通过这些工具和技术，我们可以对数据进行标准化处理、趋势拟合、模型建立等操作，从而得出可靠的分析结果。

五、横截面和时间序列分析的局限性和应对策略横截面和时间序列分析虽然在报告中有广泛的应用，但也存在一些局限性。

比如，横截面分析可能忽略了时间的因素，时间序列分析可能忽略了个体之间的差异。

经济学毕业论文中的计量经济模型解释方法

经济学毕业论文中的计量经济模型解释方法计量经济模型是经济学研究中重要的工具之一。

在经济学毕业论文中，研究者们通常会使用计量经济模型来解释经济现象、验证假设以及进行政策分析。

本文将介绍经济学毕业论文中常用的计量经济模型解释方法，包括多元线性回归模型、面板数据模型和时间序列模型。

一、多元线性回归模型多元线性回归模型是最常见的计量经济模型之一。

它通过建立变量之间的线性关系，来解释某一变量对其他变量的影响。

在经济学毕业论文中，研究者通常会选择适当的经济理论，并基于该理论构建多元线性回归模型进行实证分析。

在构建模型时，研究者需要选择适当的解释变量和控制变量，并使用统计软件进行参数估计和假设检验。

二、面板数据模型面板数据模型是一种在经济学研究中常用的计量经济模型。

它是综合了时间序列和截面数据的一种特殊数据形式。

在经济学毕业论文中，研究者常常使用面板数据模型来解决跨国、跨地区或跨时间的经济问题。

面板数据模型可以考虑个体固定效应、时间固定效应以及个体和时间的随机效应。

通过面板数据模型，研究者可以更准确地解释变量之间的关系，并进行更详细的政策分析。

三、时间序列模型时间序列模型是经济学中另一个常用的计量经济模型。

它专门用来解释变量随时间变化的规律。

在经济学毕业论文中，研究者常常使用时间序列模型来分析经济变量的趋势、季节性和周期性。

研究者需要选择适当的时间序列模型，如ARMA模型、ARCH模型等，并进行参数估计和模型检验。

通过时间序列模型，研究者可以更好地预测经济变量的未来走势，提供政策建议或预警。

总结起来，经济学毕业论文中的计量经济模型解释方法主要包括多元线性回归模型、面板数据模型和时间序列模型。

这些模型能够帮助研究者解释经济现象、验证假设以及进行政策分析。

通过选择适当的模型和进行实证分析，研究者可以得出可靠的结论，并为实践提供参考。

当然，在具体研究中，研究者还需要根据具体情况综合运用多种模型，以达到更准确、全面的说明和解释经济问题的目的。

金融计量经济第四讲面板数据(PanelData)模型

（4.2)零，方差为 u
• 因为是面板数据，涉及截面与时间，与一般的单方 程模型有所不同。模型(4. 1)实际上代表几种情形。 常用的有如下三种情形： • 情形1： i j , i j , • 情形2： i j , i j , • 情形3： i j , i j , • 理论上讲，根据截距或斜率是否可变，排列组合有 四种情形，上面三种未列出截距相同斜率不同的情 形。这三种是代表性的。 • 由截距和斜率的统计关系，情形2又可分为确定效 应模型与随机效应模型。
二、面板数据模型的检验
• 面板数据模型的检验主要是考虑截距项和斜率项在 不同截面不同时间下是否一致，所以检验的第一个 假设为： • H2： yit X it u， it 即斜率截距相同。 • 如果H2不能成立，则检验H1：yit i X it uit • 如果上面二个假设都不成立，则是斜率和截距都不 相同（情形3）的模型： yit i X it i uit • 一般不考虑截距相同而斜率不同的情况，实际应用 中这种情况没有意义。 • 面板数据模型的检验
• 平行数据或面板数据（panel data）,我们也称这 些数据为联合利用时间序列/截面数据（Pooled time series，cross section）指在时间序列上取 多个截面，在这些截面上同时选取样本观测值所 构成的样本数据。面板数据计量经济学模型是近 20年来计量经济学理论方法的重要发展之一，具 有很好的应用价值。 • 适用问题如：生产分析中技术进步与规模影响； 开放式基金赎回影响；上市公司股权结构影响； 投资收益基本面影响等。
（二）截距斜率固定模型
• • • • • • • • • • • • • • • • • • • • • • • • • • • • • •

计量经济学理论的模型解释与预测

计量经济学理论的模型解释与预测引言计量经济学是经济学中一个重要的分支，其研究方法主要基于经济理论和数理统计学，旨在通过使用数学和统计方法来解释经济现象，并进行预测和政策分析。

计量经济学理论的模型是实现这一目标的核心工具。

本文将对计量经济学理论的模型进行解释，并探讨其在预测方面的应用。

一、计量经济学理论的模型解释1.1 常见的计量经济学模型计量经济学模型是对经济现象进行抽象和概括的数学表达式。

常见的计量经济学模型包括线性回归模型、时间序列模型、面板数据模型等。

线性回归模型是计量经济学中最基础且广泛应用的模型之一。

它假设变量之间存在线性关系，并通过估计各个变量的系数来解释经济现象。

时间序列模型是用于分析时间序列数据的模型，其中包括自回归模型、移动平均模型、ARMA模型等。

时间序列模型主要用于分析时间上的趋势和周期性。

面板数据模型是同时包含横截面和时间序列数据的模型，通常用于分析跨国或跨地区的经济现象。

面板数据模型可以同时考虑个体特征和时间特征，提高了模型的解释能力。

1.2 模型解释的基本步骤模型解释是对计量经济学模型进行参数估计和推断的过程。

基本的模型解释步骤包括模型设定、估计方法选择、参数估计和模型诊断。

模型设定是根据研究目的和数据特征选择适当的计量经济学模型，并确定模型中包含的变量和假设条件。

估计方法选择是根据模型的性质和数据的特点选择合适的估计方法，常见的估计方法包括最小二乘法、广义最小二乘法、极大似然估计等。

参数估计是利用选定的估计方法对模型的参数进行估计，通常使用计算机软件进行参数的数值计算。

模型诊断是对估计结果进行评价和检验，包括残差分析、假设检验等。

模型诊断可以用于判断模型的拟合程度和参数的显著性。

1.3 模型解释的应用领域计量经济学模型的解释应用广泛，包括实证研究、政策评估和预测分析等。

实证研究是计量经济学模型应用的基本领域，通过对模型进行解释，可以验证和检验经济理论的有效性，并提供实证证据支持。

  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)。
8
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。
9
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。 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。
15
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 的数据从上到下依次堆积，每一列代表一个变量：
16
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。
1
关于面板数据的计量理论也几乎涉及到 了以往截面分析和时间序列分析中所有 可能出现的主题，如近年来发展出的面 板向量自回归模型（Panel VAR）、面 板单位根检验（Panel Unit Root test）、 面板协整分析（Panel Cointegeration） 等，都是在现有截面分析和时间序列分 析中的热点主题的基础上发展起来的。
H1： β1 β2 βN
H2： 1 2 N β1 β2 βN
可见如果接受假设 H2 则可以认为样本数据符合情形3， 即模型为不变参数模型，无需进行进一步的检验。
如果拒绝假设H2，则需检验假设H1。如果接受H1，则 认为样本数据符合情形2，即模型为变截距模型，反之拒绝 H1 ，则认为样本数据符合情形1，即模型为变参数模型。
23
10.1.6 如何估计Pool方程
单击Pool工具栏的Estimate选项打开如下对话框：
24
1. 因变量 在因变量对话框中输入Pool变量或Pool变量表达式。 2. 样本 在下面的编辑窗口中输入样本说明。样本的缺省值是各 截面成员中的最大样本值。如果得不到某时期截面成员的解 释变量或因变量的值，那么此观测值会被排除掉。
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。
7
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： 例10.5 研究企业投资需求模型
5家企业：
3个变量：
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 K ：前一年末工厂存货和设备的价值
要创建Pool对象，选择Objects/New Object/Pool…并在编
辑窗口中输入截面成员的识别名称：
第十章 利用横截面和时间序列的计量模型
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，我们 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，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。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、 时间）信息的数据结构称为时间序列/截面数据，有的书 中也称为平行数据或面板数据（panel data）。我们称 这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。
1. 非堆积数据 存在工作文件的数据都是这种非堆积数据，在这种形 式中，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：
13
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
对于情形2，称为变截距模型，在横截面上个体影响不同， 个体影响表现为模型中被忽略的反映个体差异的变量的影响， 又分为固定影响和随机影响两种情况。
对于情形3，在横截面上无个体影响、无结构变化，则
普通最小二乘法估计给出了 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。 26
经常使用的检验是协方差分析检验，主要检验如下两 个假设：
6
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。
i 1......n t 1......T
it
:
(0,
2
)
i 表示那些不随时间改变的影响因素， 而这些因素在多数情况下都是无法直接 观测或难以量化的，如个人的消费习惯 、国家的社会制度等，一般称其为“个 体效应”（individual effects）。对“个 体效应”的处理主要有两种方式：一种 是视其为不随时间改变的固定性因素， 相应的模型称为“固定效应”模型；另 一种是视其为随机因素，相应的模型称 为“随机效应”模型。
4
2、包含的信息量更大，降低了变量间共 线性的可能性，增加了自由度和估计的 有效性。
3、便于分析动态调整。
5
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 中的时间序列/截面数据的数据结构。在这个角色中，Pool 对象在管理和处理时间序列/截面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时 间序列/截面数据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
时期的系数不同。
25
模型形式设定检验
模型(10.1.2)常用的有如下三种情形：
情形1： i j , βi β j (变系数模型)
情形2： i j , βi β j (变截距模型)
情形3： i j , βi β j (不变参数模型)
对于情形1，称为变系数模型，除了存在个体影响外， 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 截面上是不同的。
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。
14
2. 堆积数据 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：
1. 检查数据 2. 描述数据 3. 生成数据 可以使用PoolGenr(panelgenr)程序生成或者修改Pool序 列。 4. 生成Pool组 5. 删除和存取数据
21
二、平行数据模型
平行数据模型一般形式
yit i xit i it ......(1)
xit 为1*K向量
i 为K*1向量
17
§10.1 Pool对象
EViews对时间序列/截面数据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。
处理时间序列/截面数据的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。
3. 解释变量 在两个编辑框中输入解释变量。 (1) Common :——此栏中输入的变量对所有截面成员有
相同的系数，并用一般名称或Pool名称输出结果。 (2) Cross-section specific :——此栏中输入的变量对Pool
中每个截面成员的系数不同。 (3) Period specific :——此栏中输入的变量对Pool中每个
12
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 先要理解时间序列/截面数据的结构，区别堆积数据和非堆 积数据形式。
时间序列/截面数据的数据信息据。
使用三维数据比较困难，一般要转化成二维数据。有 几种常用的方法。
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 截距时间序列/截面数据模型以及动态时间序列/截面数据模 型的估计。
18
3. 手工输入/剪切和粘贴 4. 文件输入 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。
2
采用面板数据模型进行分析的主要目的 在于两个方面：
一是控制不可观测的个体异质性； 二是描述和分析动态调整过程，处理误
差成分。
3
使用面板数据主要有以下几方面的优点：