面板數(shù)據(jù)分析步驟及流程-R語言

2016年08月16日 16:49:55?飯飯認(rèn)認(rèn)米?閱讀數(shù) 47093?文章標(biāo)簽：?r語言面板數(shù)據(jù)分析預(yù)測?更多

版權(quán)聲明：本文為博主原創(chuàng)文章，遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接和本聲明。

面板數(shù)據(jù)

面板數(shù)據(jù)(Panel Data)，也成平行數(shù)據(jù)，具有時(shí)間序列和截面兩個維度，整個表格排列起來像是一個面板。

面板數(shù)據(jù)舉例：

模型說明及分析步驟

1、首先確定解釋變量和因變量；

2、R語言操作數(shù)據(jù)格式，部分截圖如下，這里以index3為因變量，index1與index2為解釋變量：

##加載相關(guān)包

install.packages("mice")##缺失值處理

install.packages("plm")

install.packages("MSBVAR")

library(plm)

library(MSBVAR)

library(tseries)

library(xts)

library(mice)

data

1

2

3

4

5

6

7

8

9

10

2、單位根檢驗(yàn)：數(shù)據(jù)平穩(wěn)性

為避免偽回歸，確保結(jié)果的有效性，需對數(shù)據(jù)進(jìn)行平穩(wěn)性判斷。何為平穩(wěn)，一般認(rèn)為時(shí)間序列提出時(shí)間趨勢和不變均值(截距)后，剩余序列為白噪聲序列即零均值、同方差。常用的單位根檢驗(yàn)的辦法有LLC檢驗(yàn)和不同單位根的Fisher-ADF檢驗(yàn)，若兩種檢驗(yàn)均拒絕存在單位根的原假設(shè)則認(rèn)為序列為平穩(wěn)的，反之不平穩(wěn)(對于水平序列，若非平穩(wěn)，則對序列進(jìn)行一階差分，再進(jìn)行后續(xù)檢驗(yàn)，若仍存在單位根，則繼續(xù)進(jìn)行高階差分，直至平穩(wěn)，I(0)即為零階單整，I(N)為N階單整)。

##單位根檢驗(yàn)

tlist1

adf.test(tlist1)

tlist2

adf.test(tlist2)

1

2

3

4

5

3、協(xié)整檢驗(yàn)/模型修正

單位根檢驗(yàn)之后，變量間是同階單整，可進(jìn)行協(xié)整檢驗(yàn)，協(xié)整檢驗(yàn)是用來考察變量間的長期均衡關(guān)系的方法。若通過協(xié)整檢驗(yàn)，則說明變量間存在長期穩(wěn)定的均衡關(guān)系，方程回歸殘差是平穩(wěn)的，可進(jìn)行回歸。

格蘭杰因果檢驗(yàn)：前提是變量間同階協(xié)整，通過條件概率用以判斷變量間因果關(guān)系。

##格蘭杰因果檢驗(yàn)

granger.test(tsdata,p=2)

1

2

4、模型選擇

面板數(shù)據(jù)模型的基本形式

?

也可寫成：

?

其中：

?

?

對于平衡的面板數(shù)據(jù)，即在每一個截面單元上具有相同個數(shù)的觀測值，模型樣本觀測數(shù)據(jù)的總數(shù)等于NT。

當(dāng)N=1且T很大時(shí)，就是所熟悉的時(shí)間序列數(shù)據(jù)；當(dāng)T=1而N很大時(shí)，就只有截面數(shù)據(jù)。

模型選擇一般有三種形式

(1)無個體影響的不變系數(shù)模型(混合估計(jì)模型)：ai=aj=a，bi=bj=b

?

即模型在橫截面上無個體影響、無結(jié)構(gòu)變化，可將模型簡單地視為是橫截面數(shù)據(jù)堆積的模型。這種模型與一般的回歸模型無本質(zhì)區(qū)別，只要隨機(jī)擾動項(xiàng)服從經(jīng)典基本假設(shè)條件，就可以采用OLS法進(jìn)行估計(jì)(共有k+1個參數(shù)需要估計(jì))，該模型也被稱為聯(lián)合回歸模型(pooled regression model)。

(2)變截距模型(固定效用模型)：ai≠aj，bi=bj=b

?

即模型在橫截面上存在個體影響，不存在結(jié)構(gòu)性的變化，即解釋變量的結(jié)構(gòu)參數(shù)在不同橫截面上是相同的，不同的只是截距項(xiàng)，個體影響可以用截距項(xiàng)ai (i＝1，2，…，N)的差別來說明，故通常把它稱為變截距模型。

(3)變系數(shù)模型(隨機(jī)效應(yīng)模型)：ai≠aj，bi≠bj

?

即模型在橫截面上存在個體影響，又存在結(jié)構(gòu)變化，即在允許個體影響由變化的截距項(xiàng)ai (i＝1，2，…，N)來說明的同時(shí)還允許系數(shù)向量bi (i＝1，2，…，N)依個體成員的不同而變化，用以說明個體成員之間的結(jié)構(gòu)變化。我們稱該模型為變系數(shù)模型。

選擇合適的面板模型

需要檢驗(yàn)被解釋變量yit的參數(shù)ai和bi是否對所有個體樣本點(diǎn)和時(shí)間都是常數(shù)，即檢驗(yàn)樣本數(shù)據(jù)究竟屬于上述3種情況的哪一種面板數(shù)據(jù)模型形式，從而避免模型設(shè)定的偏差，改進(jìn)參數(shù)估計(jì)的有效性。

?

如果接受假設(shè)H2，則可以認(rèn)為樣本數(shù)據(jù)符合不變截距、不變系數(shù)模型。如果拒絕假設(shè)H2，則需檢驗(yàn)假設(shè)H1。如果接受H1，則認(rèn)為樣本數(shù)據(jù)符合變截距、不變系數(shù)模型；反之，則認(rèn)為樣本數(shù)據(jù)符合變系數(shù)模型。

F檢驗(yàn)

具體計(jì)算過程略，見參考ppt。

?

?

其中下標(biāo)1，s1指代隨機(jī)效應(yīng)模型的殘差平方和，s2指代固定效用模型殘差平方和，s3指代混合估計(jì)模型的殘差平方和；

若F2統(tǒng)計(jì)量的值小于給定顯著水平下的相應(yīng)臨界值，即F2小于Fa，則接受H2，認(rèn)為樣本數(shù)據(jù)符合混合效應(yīng)模型；反之，則繼續(xù)檢驗(yàn)假設(shè)H1；

若F1統(tǒng)計(jì)量的值小于給定顯著水平下的相應(yīng)臨界值，即F1小于Fa，則接受H1，認(rèn)為樣本數(shù)據(jù)符合固定效應(yīng)模型；反之，則認(rèn)為樣本數(shù)據(jù)符合隨機(jī)效應(yīng)模型；

隨機(jī)效應(yīng)模型

(1)1.LM檢驗(yàn)。Breush和Pagan于1980年提出R 檢驗(yàn)方法。

其檢驗(yàn)原假設(shè)和備擇假設(shè)：

?

如果不否定原假設(shè)，就意味著沒有隨機(jī)效應(yīng)，應(yīng)當(dāng)采用固定效應(yīng)模型。

(2). 豪斯曼(Hausman)檢驗(yàn)。William H? Greene于1997年提出了一種檢驗(yàn)方法，稱為豪斯曼(Hausman)檢驗(yàn)。

若統(tǒng)計(jì)量大于給定顯著水平下臨界值，p值小于給定顯著水平，則存在個體固定效應(yīng)，應(yīng)建立個體固定效應(yīng)模型。form

rankData

pool

pooltest(form,data=rankData,effect="individual",model="within")#檢驗(yàn)個體間是否有差異

pooltest(form,data=rankData,effect="time",model="within")#檢驗(yàn)不同時(shí)間是否有差異

wi

pooltest(pool,wi)#F檢驗(yàn)判斷混合模型與固定效應(yīng)模型比較

phtest(form,data=rankData)##Hausman檢驗(yàn)判斷應(yīng)該采用何種模型,隨機(jī)效應(yīng)模型檢驗(yàn)

pbgtest(form,data=rankData,model="within")#LM檢驗(yàn),隨機(jī)效應(yīng)模型檢驗(yàn)

#檢驗(yàn)是否存在序列相關(guān)

pwartest(form,data=rankData)#Wooldridge檢驗(yàn)(自相關(guān))小于0.05存在序列相關(guān)

summary(wi)##查看擬合模型信息

fixef(wi,effect="time")#不同時(shí)間對因變量的影響程度的系數(shù)估計(jì)值

inter

##根據(jù)模型參數(shù)，進(jìn)行預(yù)測；

注：有些地方，尤其R代碼部分有些亂，需根據(jù)實(shí)際數(shù)據(jù)情況進(jìn)行選擇，函數(shù)的參數(shù)設(shè)置并未完全吃透，還需要繼續(xù)學(xué)習(xí)，如有不對的地方，再改正，目前的理解是這樣了，在本次數(shù)據(jù)場景中，實(shí)際數(shù)據(jù)應(yīng)用中預(yù)測效果不是很好，誤差稍大，這次未采用，以后遇到可以再嘗試。

總結(jié)

以上是生活随笔為你收集整理的r语言 面板数据回归_R语言-面板数据分析步骤及流程-的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。