111面板数据、工具变量选择和HAUSMAN检验的若干问题 (2).pdf

面板数据、工具变量选择和HAUSMAN检验的若干问题 面板数据（Panel Data）是一种特殊的数据类型，包含了多个个体单位的时间序列数据。面板数据模型的误差项可以分为两部分：一部分是与个体观察单位有关的非观测效应，另一部分是因截面因时间而变化的不可观测因索。 非观测效应模型根据对时不变非观测效应的不同假设可以分为固定效应模型和随机效应模型。固定效应模型认为非观测效应是各个截面或个体特有的可估计参数，并且不随时间而变化。随机效应模型认为非观测效应是随机的，并且符合一个特定的分布。然而，这两种模型的定义都不是十分严谨，一个逻辑上比较严谨的假设是，不论固定效应还是随机效应都是随机的，都是概括了那些没直观测到的，不随时间而变化的，但影响被解释变量的因素。 HAUSMAN检验是检验非观测效应是否为随机效应的检验方法。如果HAUSMAN检验表明非观测效应为随机效应，那么模型中控制的观测到的解释变量与非观测效应无关。否则，模型中控制的观测到的解释变量与非观测效应相关。 面板数据模型的估计量有四种：组内估计量（WITHIN ESTIMATOR）、纽间估计量（BETWEEN ESTIMATOR）、混合OLS估计量（POOLED OLS ESTIMATOR）和随机效应估计量（RE、GLS或FGLS估计量）。这四个估计量因为假设和使用信息的不同而不同，有优劣势，相互之间也有密切关系。 在面板数据分析中， FIXED EFFECT（FE）模型和RANDOM EFFECT（RE）模型是两种常用的模型。FE模型认为非观测效应是与个体单位有关的固定的，而RE模型认为非观测效应是随机的。FE模型的优点是可以减少由于未观察到的因素可能与解释变量相关而导致的内生性问题，但是RE模型可以避免内生性问题的同时也可以考虑到非观测效应的随机性。 然而，面板数据分析也存在一些问题，例如内生性问题和遗漏变量问题。如果内生的问题只是由于与单位有关的并不随时间变化的遗漏变量与解释变量相关造成的，那么数据的差分就可以解决问题。但是，如果这部分误差里包含的因索也可能影响解释变量，那么，差分只能解决一部分问题，随机项里包括的因素与解释变量之间的关系导致的内生性问题还可能存在。 因此，在面板数据分析中，需要选择合适的模型和估计方法，例如使用工具变量选择和HAUSMAN检验来解决内生性问题。同时，也可以使用IV估计来解决内生性问题。