快捷搜索:  汽车  科技

动态面板数据如何分析(面板数据如何分析)

动态面板数据如何分析(面板数据如何分析)接上表如下图中,展示的就是一个面板数据的例子。数据为9个地区2008~2018共11年的各项经济指标数据。使用SPSSAU进行分析时,‘个体ID’就是下图中的‘公司编号’,‘时间’就是下图中的‘年份’。‘公司编号’一般是指上市公司的股票代码,也或者只是个编号均可;‘年份’一般是指年或者时间点。‘公司编号’和‘年份’两项共同用于告诉系统当前为面板数据,通常无其它意义。面板数据分析(一)数据格式

动态面板数据如何分析(面板数据如何分析)(1)

今天这篇文章,想给大家介绍一下面板数据如何在SPSSAU中实现。

面板数据(panel data)是指不同对象在不同时间上的指标数据。面板数据在计量经济学和实际生活中广泛存在。

面板模型是针对面板数据进行分析,面板数据是一种特殊的数据格式。比如当前研究100家公司5年的财务数据。100家公司,每家5年,最终会有100*5=500行数据。

如果说100家公司全部都有完整的5年数据,即100*5=500行数据,这种叫平衡面板数据。如果说某家公司只有3年的数据,意味着有2年的缺失数据,这种叫非平衡面板数据。

使用SPSSAU进行分析时,‘个体ID’就是下图中的‘公司编号’,‘时间’就是下图中的‘年份’。‘公司编号’一般是指上市公司的股票代码,也或者只是个编号均可;‘年份’一般是指年或者时间点。‘公司编号’和‘年份’两项共同用于告诉系统当前为面板数据,通常无其它意义。

动态面板数据如何分析(面板数据如何分析)(2)

面板数据分析

(一)数据格式

如下图中,展示的就是一个面板数据的例子。数据为9个地区2008~2018共11年的各项经济指标数据。

动态面板数据如何分析(面板数据如何分析)(3)

接上表

动态面板数据如何分析(面板数据如何分析)(4)

地区列反映的是数据不同的截面,即不同的研究个体。日期列反映了数据的时序性,即反映不同时期的数据。面板数据是二者的结合,上传数据时需要注意标识出研究个体编号(地区)和时间点(年份)分别是什么。

(二)模型识别

面板数据进行回归影响关系研究时,即称为面板模型(面板回归)。

一般情况下,面板模型可分为三种类型,分别是FE模型(固定效应模型),POOL模型(就是普通的OLS回归)和RE模型(随机效应模型)。

最终应该选择哪个模型,可通过各个检验进行判断。SPSSAU分别进行F检验,BP检验和Hausman检验(豪斯曼检验) 结合三个检验,最终判断出哪个模型最优。

动态面板数据如何分析(面板数据如何分析)(5)

如果是经济类数据,多数情况下FE模型更优,因而很多研究直接默认不检验直接使用FE模型;一般情况下,三种模型的选择上有区别,但结论上一般区别不会太大。

(三)SPSSAU操作

案例:这里我们以上面提到的9个地区的11年的数据作为案例数据,用以说明。

数据中包括X1(城乡居民年末储蓄存款) X2(年末常住人口) X3(城镇化率) X4(教育支出)共4个自变量,因变量为GDP。

  1. 操作步骤:点击【计量经济研究】→【面板模型】。

动态面板数据如何分析(面板数据如何分析)(6)

SPSSAU面板模型

研究4个自变量对于因变量GDP的影响,并且需要标识出面板数据,分别将地区和日期放入对应的‘个体ID’和‘时间’框中。

动态面板数据如何分析(面板数据如何分析)(7)

(四)结果分析

SPSSAU共输出3类表格,分别是检验汇总表格,面板模型结果汇总表格,模型中间过程结果表格。

动态面板数据如何分析(面板数据如何分析)(8)

  • 通过F检验比较FE模型(固定效应模型)与POOL模型(混合估计模型)。
  • 通过BP检验确定应该建立RE模型(随机效应模型)还是POOL模型。
  • 通过Hausman检验选择FE模型或RE模型。

分析步骤参考SPSSAU提供的“分析建议”及“智能分析”。本案例中通过检验给出最终选择“FE模型”。

动态面板数据如何分析(面板数据如何分析)(9)

SSPSSAU会提供多种模型,我们只需要以FE模型结果过作为标准。

动态面板数据如何分析(面板数据如何分析)(10)

SPSSAU分析结果

从表格中可以看出:针对X1(城乡居民年末储蓄存款)而言,其呈现出0.01水平的显著性(t =11.880 p =0.000<0.01),并且回归系数值为0.967>0,说明X1(城乡居民年末储蓄存款)对GDP会产生显著的正向影响关系。

针对X2(年末常住人口)而言,其并没有呈现出显著性(t =1.623 p =0.108>0.05),因而说明X2(年末常住人口)对GDP不会产生影响关系。

针对X3(城镇化率)而言,其呈现出0.01水平的显著性(t =-4.073 p =0.000<0.01),并且回归系数值为-1.076<0,说明X3(城镇化率)对GDP会产生显著的负向影响关系。

针对X4(教育支出)而言,其并没有呈现出显著性(t =1.461 p =0.148>0.05),因而说明X4(教育支出)对GDP不会产生影响关系。

猜您喜欢: