面板数据

面板数据(Panel Data)，也成平行数据，具有时间序列和截面两个维度，整个表格排列起来像是一个面板。

面板数据举例：

模型说明及分析步骤

1、首先确定解释变量和因变量；

2、R语言操作数据格式，部分截图如下，这里以index3为因变量，index1与index2为解释变量：

##加载相关包

install.packages("mice")##缺失值处理

install.packages("plm")

install.packages("MSBVAR")

library(plm)

library(MSBVAR)

library(tseries)

library(xts)

library(mice)

data

2、单位根检验：数据平稳性

为避免伪回归，确保结果的有效性，需对数据进行平稳性判断。何为平稳，一般认为时间序列提出时间趋势和不变均值(截距)后，剩余序列为白噪声序列即零均值、同方差。常用的单位根检验的办法有LLC检验和不同单位根的Fisher-ADF检验，若两种检验均拒绝存在单位根的原假设则认为序列为平稳的，反之不平稳(对于水平序列，若非平稳，则对序列进行一阶差分，再进行后续检验，若仍存在单位根，则继续进行高阶差分，直至平稳，I(0)即为零阶单整，I(N)为N阶单整)。

##单位根检验

tlist1

adf.test(tlist1)

tlist2

adf.test(tlist2)

3、协整检验/模型修正

单位根检验之后，变量间是同阶单整，可进行协整检验，协整检验是用来考察变量间的长期均衡关系的方法。若通过协整检验，则说明变量间存在长期稳定的均衡关系，方程回归残差是平稳的，可进行回归。

格兰杰因果检验：前提是变量间同阶协整，通过条件概率用以判断变量间因果关系。

##格兰杰因果检验

granger.test(tsdata,p=2)

4、模型选择

面板数据模型的基本形式

也可写成：

其中：

对于平衡的面板数据，即在每一个截面单元上具有相同个数的观测值，模型样本观测数据的总数等于NT。

当N=1且T很大时，就是所熟悉的时间序列数据；当T=1而N很大时，就只有截面数据。

模型选择一般有三种形式

(1)无个体影响的不变系数模型(混合估计模型)：ai=aj=a，bi=bj=b

即模型在横截面上无个体影响、无结构变化，可将模型简单地视为是横截面数据堆积的模型。这种模型与一般的回归模型无本质区别，只要随机扰动项服从经典基本假设条件，就可以采用OLS法进行估计(共有k+1个参数需要估计)，该模型也被称为联合回归模型(pooled regression model)。

(2)变截距模型(固定效用模型)：ai≠aj，bi=bj=b

即模型在横截面上存在个体影响，不存在结构性的变化，即解释变量的结构参数在不同横截面上是相同的，不同的只是截距项，个体影响可以用截距项ai (i＝1，2，…，N)的差别来说明，故通常把它称为变截距模型。

(3)变系数模型(随机效应模型)：ai≠aj，bi≠bj

即模型在横截面上存在个体影响，又存在结构变化，即在允许个体影响由变化的截距项ai (i＝1，2，…，N)来说明的同时还允许系数向量bi (i＝1，2，…，N)依个体成员的不同而变化，用以说明个体成员之间的结构变化。我们称该模型为变系数模型。

选择合适的面板模型

需要检验被解释变量yit的参数ai和bi是否对所有个体样本点和时间都是常数，即检验样本数据究竟属于上述3种情况的哪一种面板数据模型形式，从而避免模型设定的偏差，改进参数估计的有效性。

如果接受假设H2，则可以认为样本数据符合不变截距、不变系数模型。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变截距、不变系数模型；反之，则认为样本数据符合变系数模型。

F检验

具体计算过程略，见参考ppt。

其中下标1，s1指代随机效应模型的残差平方和，s2指代固定效用模型残差平方和，s3指代混合估计模型的残差平方和；

若F2统计量的值小于给定显著水平下的相应临界值，即F2小于Fa，则接受H2，认为样本数据符合混合效应模型；反之，则继续检验假设H1；

若F1统计量的值小于给定显著水平下的相应临界值，即F1小于Fa，则接受H1，认为样本数据符合固定效应模型；反之，则认为样本数据符合随机效应模型；

随机效应模型

(1)1.LM检验。Breush和Pagan于1980年提出R 检验方法。

其检验原假设和备择假设：

如果不否定原假设，就意味着没有随机效应，应当采用固定效应模型。

(2). 豪斯曼(Hausman)检验。William H Greene于1997年提出了一种检验方法，称为豪斯曼(Hausman)检验。

若统计量大于给定显著水平下临界值，p值小于给定显著水平，则存在个体固定效应，应建立个体固定效应模型。

form

rankData

pool

pooltest(form,data=rankData,effect="individual",model="within")#检验个体间是否有差异

pooltest(form,data=rankData,effect="time",model="within")#检验不同时间是否有差异

wi

pooltest(pool,wi)#F检验判断混合模型与固定效应模型比较

phtest(form,data=rankData)##Hausman检验判断应该采用何种模型,随机效应模型检验

pbgtest(form,data=rankData,model="within")#LM检验,随机效应模型检验

#检验是否存在序列相关

pwartest(form,data=rankData)#Wooldridge检验(自相关)小于0.05存在序列相关

summary(wi)##查看拟合模型信息

fixef(wi,effect="time")#不同时间对因变量的影响程度的系数估计值

inter

##根据模型参数，进行预测；

注：有些地方，尤其R代码部分有些乱，需根据实际数据情况进行选择，函数的参数设置并未完全吃透，还需要继续学习，如有不对的地方，再改正，目前的理解是这样了，在本次数据场景中，实际数据应用中预测效果不是很好，误差稍大，这次未采用，以后遇到可以再尝试。

在

R

语言中进行面板数据分析

面板数据

(

Panel Data

)

是截面数据与时间序列数据综合起来的一种数据类型。

它有时间序

列和截面两个维度，

当这类数据按两个维度排列时，

是排在一个平面上，

与只有一个维度的

数据排在一条线上有着明显的不同，整个表格像是一个面板

,

所以把

panel data

译作

“

面板数

据

”

。

面板数据模型的选择通常有三种形式：

第一种是混合估计模型(

Pooled Regression Model

)

。如果从时间上看，不同个体之间不存在

显著性差异；

从截面上看，

不同截面之间也不存在显著性差异，

那么就可以直接把面板数据

混合在一起用普通最小二乘法(

OLS

)估计参数。

第二种是固定效应模型

(

Fixed Effects Regression Model

)

。

如果对于不同的截面或不同的时间

序列，

模型的截距不同，

则可以采用在模型中添加虚拟变量的方法估计回归参数。

该模型刻

画了不同个体的特殊影响，而且这个影响不随样本变化。

第三种是随机效应模型(

Random Effects Regression Model

)

。如果固定效应模型中的截距项

包括了截面随机误差项和时间随机误差项的平均效应，

并且这两个随机误差项都服从正态分

布，

则固定效应模型就变成了随机效应模型。

该模型刻画了不同个体的特殊影响，

但这个影

响会随样本变化。

首先载入程序包和数据

library(plm)

将数据转成可处理的面板格式，特别要注意标明个体名和时间名

pgr 

先用混合估计模型进行估计

gr_pool 

, data = pgr,

model = "pooling")

再用固定效应模型进行估计

gr_fe 

, data = pgr,

model = "within")

如果要判断固定效应模型是否比混合估计模型更好，可采用

F

检验

pFtest(gr_fe, gr_pool)

最后我们用随机效应模型进行估计

gr_re 

, data = pgr,

model = "random", random.method = "swar")

summary(gr_re)

要判断随机效应模型是否与固定效应模型有区别，可采用

Hausman

检验

phtest(gr_re, gr_fe)

R语言分析面板数据：简单案例

标签：#R语言##面板数据#

时间：2017/05/03 16:12:03

作者：慕清雪

1.面板数据定义

面板数据，即Panel Data，也叫“平行数据”，是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。或者说他是一个m*n的数据矩阵，记载的是n个时间节点上，m个对象的某一数据指标。(from 百度百科)

2.R语言中进行面板数据分析的包：plm

3.一个关于工资水平的案例

data set：美国595名个体从1976年到1982年的数据，共有4165个观测值(4165/595=7；相当于每个个体有7条记录)这七个观测值按顺序对应于1976到1982年的观测。数据来源：plm包里的Wages数据。

数据一览：


code:

```r

install.packages("plm")

library(plm)

data("Wages",package="plm")

rd=plm(lwage~married+exp+I(exp^2)+bluecol+union+sex+black+ed,data=Wages,model="random",index=595)

summary(rd)

```

结果一览：


上述回归没有添加工具变量，下面添加工具变量：sex,black,bluecol,south,smsa,ind

plm方法里添加工具变量的方法是使用"|","|"后的变量为工具变量

```r

library(plm)

data("Wages",package="plm")

ht=plm(lwage~married+exp+I(exp^2)+bluecol+union+sex+black+ed | sex+black+bluecol+south+smsa+ind,data=Wages,index=595)

summary(ht)

```

结果一览：


T.V.exo：外生变量(工具变量)

T.V.endo：内生变量

T.I.exo：不随时间变化的外生变量

T.I.endo：不随时间变化的内生变量