面板數據分析步驟及流程-R語言

2016年08月16日 16:49:55?飯飯認認米?閱讀數 47093?文章標簽：?r語言面板數據分析預測?更多

版權聲明：本文為博主原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接和本聲明。

面板數據

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

面板數據舉例：

模型說明及分析步驟

1、首先確定解釋變量和因變量；

2、R語言操作數據格式，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：數據平穩性

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

##單位根檢驗

tlist1

adf.test(tlist1)

tlist2

adf.test(tlist2)

1

2

3

4

5

3、協整檢驗/模型修正

單位根檢驗之后，變量間是同階單整，可進行協整檢驗，協整檢驗是用來考察變量間的長期均衡關系的方法。若通過協整檢驗，則說明變量間存在長期穩定的均衡關系，方程回歸殘差是平穩的，可進行回歸。

格蘭杰因果檢驗：前提是變量間同階協整，通過條件概率用以判斷變量間因果關系。

##格蘭杰因果檢驗

granger.test(tsdata,p=2)

1

2

4、模型選擇

面板數據模型的基本形式

?

也可寫成：

?

其中：

?

?

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

當N=1且T很大時，就是所熟悉的時間序列數據；當T=1而N很大時，就只有截面數據。

模型選擇一般有三種形式

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

?

即模型在橫截面上無個體影響、無結構變化，可將模型簡單地視為是橫截面數據堆積的模型。這種模型與一般的回歸模型無本質區別，只要隨機擾動項服從經典基本假設條件，就可以采用OLS法進行估計(共有k+1個參數需要估計)，該模型也被稱為聯合回歸模型(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，不存在結構性的變化，即解釋變量的結構參數在不同橫截面上是相同的，不同的只是截距項，個體影響可以用截距項ai (i＝1，2，…，N)的差別來說明，故通常把它稱為變截距模型。

(3)變系數模型(隨機效應模型)：ai≠aj，bi≠bj

?

即模型在橫截面上存在個體影響，又存在結構變化，即在允許個體影響由變化的截距項ai (i＝1，2，…，N)來說明的同時還允許系數向量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構變化。我們稱該模型為變系數模型。

選擇合適的面板模型

需要檢驗被解釋變量yit的參數ai和bi是否對所有個體樣本點和時間都是常數，即檢驗樣本數據究竟屬于上述3種情況的哪一種面板數據模型形式，從而避免模型設定的偏差，改進參數估計的有效性。

?

如果接受假設H2，則可以認為樣本數據符合不變截距、不變系數模型。如果拒絕假設H2，則需檢驗假設H1。如果接受H1，則認為樣本數據符合變截距、不變系數模型；反之，則認為樣本數據符合變系數模型。

F檢驗

具體計算過程略，見參考ppt。

?

?

其中下標1，s1指代隨機效應模型的殘差平方和，s2指代固定效用模型殘差平方和，s3指代混合估計模型的殘差平方和；

若F2統計量的值小于給定顯著水平下的相應臨界值，即F2小于Fa，則接受H2，認為樣本數據符合混合效應模型；反之，則繼續檢驗假設H1；

若F1統計量的值小于給定顯著水平下的相應臨界值，即F1小于Fa，則接受H1，認為樣本數據符合固定效應模型；反之，則認為樣本數據符合隨機效應模型；

隨機效應模型

(1)1.LM檢驗。Breush和Pagan于1980年提出R 檢驗方法。

其檢驗原假設和備擇假設：

?

如果不否定原假設，就意味著沒有隨機效應，應當采用固定效應模型。

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

若統計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，應建立個體固定效應模型。form

rankData

pool

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

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

wi

pooltest(pool,wi)#F檢驗判斷混合模型與固定效應模型比較

phtest(form,data=rankData)##Hausman檢驗判斷應該采用何種模型,隨機效應模型檢驗

pbgtest(form,data=rankData,model="within")#LM檢驗,隨機效應模型檢驗

#檢驗是否存在序列相關

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

summary(wi)##查看擬合模型信息

fixef(wi,effect="time")#不同時間對因變量的影響程度的系數估計值

inter

##根據模型參數，進行預測；

注：有些地方，尤其R代碼部分有些亂，需根據實際數據情況進行選擇，函數的參數設置并未完全吃透，還需要繼續學習，如有不對的地方，再改正，目前的理解是這樣了，在本次數據場景中，實際數據應用中預測效果不是很好，誤差稍大，這次未采用，以后遇到可以再嘗試。

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。