面板数据模型

面板数据模型 (Panel Data Model)

面板数据模型是计量经济学中用于分析面板数据的统计模型。面板数据兼具横截面数据和时间序列数据的维度，通常表示为 $y_{it}$ 和 $\mathbf{x}_{it}$，其中 $i = 1, \dots, N$ 为个体，$t = 1, \dots, T$ 为时间。每个个体在所有时间点都有观测值的为平衡面板，否则为非平衡面板。

面板数据的优势

1. 控制个体异质性（核心优势）：识别并控制不随时间变化的个体特定因素，缓解遗漏变量导致的内生性
2. 更丰富信息：更多数据点，减少共线性，提高自由度，获得更精确估计
3. 研究动态变化：追踪同一个体随时间变化，适合研究调整过程
4. 识别难以观测的效应：如政策实施前后对同一组个体的影响

核心面板数据模型

基本线性面板模型：$y_{it} = \mathbf{x}_{it}'\boldsymbol{\beta} + c_i + u_{it}$，其中 $c_i$ 是不随时间变化的个体特定效应。

混合回归模型 (Pooled OLS)

假设 $c_i$ 为常数截距或不存在：$y_{it} = \beta_0 + \mathbf{x}_{it}'\boldsymbol{\beta} + v_{it}$。使用普通最小二乘法 (OLS)。若 $c_i$ 与 $\mathbf{x}_{it}$ 相关，则Pooled OLS有偏且不一致（遗漏变量偏误）。

固定效应模型 (Fixed Effects, FE)

允许 $c_i$ 与 $\mathbf{x}_{it}$ 相关（$\mathrm{Cov}(\mathbf{x}_{it}, c_i) \neq 0$）。通过组内离差变换 (Within Transformation) 消除 $c_i$：

计算个体均值：$\bar{y}_i = \frac{1}{T}\sum y_{it}$, $\bar{\mathbf{x}}_i = \frac{1}{T}\sum \mathbf{x}_{it}$

减去均值后 $c_i$ 被消除：$\ddot{y}_{it} = \ddot{\mathbf{x}}_{it}'\boldsymbol{\beta} + \ddot{u}_{it}$

优点：解决不随时间变化的遗漏变量导致的内生性。缺点：无法估计不随时间变化的自变量效应。

随机效应模型 (Random Effects, RE)

假设 $c_i$ 是随机变量且与 $\mathbf{x}_{it}$ 不相关（$\mathrm{Cov}(\mathbf{x}_{it}, c_i) = 0$）。使用广义最小二乘法 (GLS/FGLS)。若假设成立则比FE更有效，可估计时不变变量效应；若不成立则不一致。

模型选择：豪斯曼检验

豪斯曼检验 (Hausman Test) 用于选择FE或RE：

• $H_0$：随机效应正确（$\mathrm{Cov}(\mathbf{x}_{it}, c_i) = 0$）
• $H_a$：固定效应正确（$\mathrm{Cov}(\mathbf{x}_{it}, c_i) \neq 0$）

通过比较 $\hat{\boldsymbol{\beta}}_{FE}$ 和 $\hat{\boldsymbol{\beta}}_{RE}$ 的系统性差异判断。差异显著则选FE；不显著则选RE。

模型扩展

• 双向固定效应：同时控制个体效应 $c_i$ 和时间效应 $\lambda_t$（如宏观经济周期）
• 动态面板模型：包含因变量滞后项 $y_{it-1}$，产生Nickell bias，需用广义矩方法 (GMM，如Arellano-Bond估计量)

模型对比总结