重要-动态面板数据模型完全

《重要-动态面板数据模型完全》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、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（17.1.1）首先进行差分，消去个体效应得到方程为：（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

2、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，很显然是很有效的工具，因为它与相关的，但与不相关。类似地，在t=4时，和是潜在的工具变量。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：（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。假设不存在自回归，不同

3、设定的最优的GMM加权矩阵为：（17.1.4）其中是矩阵，包含严格外生变量和预先决定的变量的混合。该加权矩阵用于one-stepArellano-Bond估计。给定了one-step估计的残差后，我们就可以用估计计算的White时期协方差矩阵来代替加权矩阵Hd：（17.1.5）该加权矩阵就是在Arellano-Bond两步估计中用到的矩阵。我们可以选择两者中一个方法来改变最初的方程，以消除对总体偏离而计算的个体效应（Arellano和Bover，1995）。详情见后面的GMM估计，用正交偏离而转换残差有个特点就是转换设定的第一阶段最优加权矩阵是简单

4、的2SLS加权矩阵。（17.1.6）17.1.2动态面板的GMM估计方法1）基本的GMM面板估计是基于以下的矩形式，（17.1.7）这里是每个截面i的阶工具变量矩阵，且有（17.1.8）在某些情形总和是做时期上加总的，而不是个体，我们将使用对称矩阵计算。GMM估计的最小二次式为：（17.1.9）为了估计，选了合适的阶加权矩阵H。系数向量已知时，则可以对系数协方差矩阵进行计算：（17.1.10）这里通过下面式子进行估计：（17.1.11）而在简单的线性模型中，我们可以得到系数的估计值为：（17.1.12）方差估计为：（17.1.13）这里一般形式为：

5、（17.1.14）与GMM估计相关的有：（1）设定工具变量Z；（2）选择加权矩阵H；（3）决定估计矩阵。2）大范围的设定可以被认为是GMM估计中的特例。例如，简单的2SLS估计，是用系数协方差的普通估计，设定：（17.1.15）（17.1.16）代入计算，我们可以得到系数相同的表达式：（17.1.17）则方差矩阵为（17.1.18）而有约束和无约束的异方差和同期相关的标准差可以用一个新的表达式计算：（17.1.19）因此我们得到一个white截面系数协方差估计。而协方差方法在前面线性面板数据模型中已经详细介绍了，在此不再叙述。3）另外还有其他的GM

6、M协方差计算的可供选项，比如：2SLS，Whitecross-section，Whiteperiod，Whitediagonal，cross-sectionSUR（3SLS），cross-sectionweights，PeriodSUR，Periodweighs。另外不同的误差加权矩阵在用GMM估计动态面板数据时可能经常用到。这些权重的形成已经在前面的线性面板数据方差结构中详细阐述了，例如cross-sectionSUR（3SLS）加权矩阵的计算方式为：（17.1.20）这里是对同期相关协方差矩阵的估计。类似地，Whiteperiod加权通过下式计

7、算为：（17.1.21）这些后来的GMM加权方式是与干扰项中存在任意序列相关和时间变化协方差相关联的。4）GLS设定Eviews也可以利用GMM设定估计GLS转换的数据，因此条件矩阵就要修订，以反映GLS的权重：（17.1.22）17.1.3GMM软件估计操作1）在对面板数据进行GMM估计时，workfile必须是面板结构的条件下进行。假定模型被设为动态模型，利用Eviews估计动态面板数据模型时，则打开workfile窗口后，在主菜单选择Object/newobject/Equation，或者Quick/EstimatieEquation，打开面

8、板数据估计设定对话框，在Method选择GMM/DPD-GeneralizedMethodofMoments/Dynami