影响中国农村居民消费支出因素的研究分析毕业论文(编辑修改稿)

影响中国农村居民消费支出因素的研究分析毕业论文(编辑修改稿)内容摘要：

响。 （ 5） 与纯横截面数据或时间序列数据相比，面板数据模型允许我们构建并检验更复杂的行 为模型。 （ 6） 基于个体、企业或家庭所搜集的微观面板数据与在宏观层次上所收集的类似变量相比更加准确，而且还可能消除企业或个体数据 加总所导致的偏倚。 （ 7） 一般宏观面板数据中时间序列的时期数较长，而且与时间序列分析中进行单位根检验遇到的非标准分布问题不同，面板单位根检验通常具有标准的渐进分布。 面板数据的局限性包括： （ 1） 围观调查面板数据极少。 （ 2） 测量误差的扭曲严重。 （ 3） 面板数据调查的样本选择问题。 自选择、未回答、非随机样本流失等。 （ 4） 时间维度短。 微观面板通常是年度数据，每个个体的时期数较短。 因为，主要依赖个体数趋于无穷进行渐进的 统计分析。 （ 5） 截面相关性。 国家或地区的宏观面板数据，如果时间序列较长而且没有考虑到国家之间的相关性就会导致错误的推断结论。 事实上，考虑截面相关非常重要，而且会影响到统计推断的结论。 为此，人们也提出了考虑这种相关性的面板单位根检验方法。 面板数据模型的概述 研究和分析面板数据的模型被称为面板数据模型（ panel data model）。 它的变量取值都带有时间序列和横截面的两重性。 一般的线性模型只单独处理截面数据和时间序列数据，而不能同时分析和对比它们。 面板数据模型，相对于一般的线性回归模型，其长处在于它既考虑 到了横截面数据存在的共性，又能分析模型中横截面因素的个体特殊效应。 当然，我们也可以将横截面数据简单地堆积起来用回归模型来处理，但这样做就丧失了分析个体特殊效应的机会。 面板数据模型的一般形式为： ititiiit xy   ， Ni ,...,2,1 ， Tt ,...,2,1 其中， itx 是一个 k1 向量， i 是一个 1k 向量， k 是解释变量的数目。 T 是时期总数，随机干扰项互相独立，且满足零均值，等方差。 根据截距项  系数向量  中各分量的不同限制，可将面板数据分为三种类型。 模型常用的有如下三种情形： 情形 1： jiji   , ，模型为： ititit xy   对于情形 1， 回归斜率系数和截距都相同，即 在横截面上无个体影响，也无结构变化，则普通最 小二乘估计给出了  和  的一致有效估计，相当于将多个时期的截面数据放在一起作为样本数据。 因此该模型也被称为联合回归模型或混合模型。 情形 2： jiji   , ，模型为： ititiit xy   对于情形 2， 回归斜率系数相同但截距不同，这时 的模型成为变截距模型（ panel data model with wariable intercept），在横截面上的 个体影响不同，个体影响表现为模型中被忽略的反映个体差异的变量的影响，又分为固定影响（ fixedeffect）和随机影响（ randomeffect）两种情况。 固定效应模型为： ititiit xy   i 是对每一个个体的是固定 常数 ，代表个体的特殊效应 ，也反应了个体间的差异。 而固定效应模型也被称为最小二乘虚拟变量模型或虚拟变量模型。 随机效应模型可以表达如下： ititiit xiy   ， i 是一个随机变量，代表个体的随机效应。 由于模型的误差项为两种随机误差之和，所以也被称为误差构成模型。 情形 3： jiji   , ，模型为： ititiiit xy   对于情形 3，这时的模型称为变系数模型（ panel data model with variable coefficient）， 该模型假设个体成员即存在个体影响，又存在结构变化。 即在允许个体影响由变化的截距项 i 来说明，同时还允许 i 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。 除了存在个体影响外，在横截面上还存在变化的经济结构，因而结构参数在不同横截面单位上是不同的。 典型的平行数据是横截面单位较多而时期较少的数据。 这样，该技术主要集中于横截面的变化或异方差。 该模型也分为固定影响和随机影响两种情况。 各类检验 我们需要对面板回归模型的计量问题进行检验，来确定我们合意的模型，并对估计进行修正，得到可靠的估计值。 混合回归模型对随机效应模型 混合数据分析依赖于这样的假定，也就是变量之间（用 X 表示解释变量 ，用Y 表示被解释变量）的关系部随横截面或时间变化而变化，这就意味着 X 和 Y 之间的回归系数（截距项和斜率项）是常数，混合估计系数相当于是这两个样本回归系数的加权平均，估计系数的精确度主要受到具有较大样本容量的样本影响。 是否需要混合模型，我们用以下的两种检验方法。 1) 对混合回归是否可行进行验证 我们可以用 Chow 检验。 无约束模型： ititiiit xy   ， ititt ui 有约束模型： ititiit xy   ， ititt ui 也就是检验约束条件   ii , 是否成立。 可以对有约束模型先进行 GLS估计 ,比较有约束和无约束回归残差平方和差异。 如果需要更稳健的推断，那么可以采用面板稳健标准差，并进行 Wald 检验。 2) 个体效应的布罗德 帕甘检验 布罗德和帕甘（ Breuschamp。 Pagan,1980） 推导了一个拉格朗日乘数检验，零假设误差是独立同分布的，备择假设是存在个体随机效应。 如果假定正态性，还可以进行极大似然估计并进行似然比或是沃尔德检验。 构造一个零假设： 0H ：02 ，在这个零假设成立下， i 的方差渐进服从标准正态分布，进而可以进行显著性检验。 混合回归模型对固定效应模型 固定效应模型的设定是建立在如下假设基础之上的，即，我们认为个体间存在显著差异，但是对于特定的个体而言，组内不存在时间序列上的差异。 但是，如果个体间（组间）的差异不明显，那么采用 OLS 对混合数据进行估计即可。 我们构造 F 检验统计量 )/( )1/()( KNNTU R S S NU R S SR R S SF  在零假设成立下服从 KTNNF  )1(1， ，其中： RRSS，URSS 分别是混合回归即有约束模型的残差平方和。 固定效应即无约束模型的残差平方和。 随机效应对固定效应：豪斯曼检验 豪斯曼（ Hausman） 检验的思想是在零假设成立下（即解释变量和个体效应不相关），随机效应估计量 和固定效应估计量都是一致的，但是随机效应估计却更有效；在备择假设成立下（即解释变量和个体效应相关），固定效应估计量仍然是一致的，但是随即效应估计量却不再一致。 Hausman 检验就是要验证两类估计量之间是否存在着显著的差异。 相似地，任何具有相 似特征的两组估计量，例如一次差分对混合回归都可以进行这样的检验。 简单来说， Hausman 检验就是： 0H :个体效应与回归变量无关（随机效应回归模型）， 1H ：个体效应与回归变量相关（固定效应回归模型）。 各种自相关检验 （ 1） 时间纬度上的自相关检验。 零假设： 0)(),( ,   sttstiit uuEuuC o v ，对所有的 st 方法：伍德里奇的序列检验，用估计出来的残差对其滞后项进行回归，一阶可以看 滞后项的 t 值以观察其显著性，如果显著就是 AR（ 1）；高阶可以用 F 检验或沃尔德检验。 （ 2） 横截面之间的相关性检验 布罗施 帕甘检验，针对较大的时间维度和较小的横截面维度，用来检验个体在横截面上的独立性。 零假设 0H ： jiuuCov jtit  ,0),( ，备择假设 1H ： jiuuCov jtit  ,0),( 群组间的异方差 零假设：组内的误差项是同方差，组间有异方差。 即 0H ： ii  ,22  ，备择假设： 1H ： ii 对于一些,22  。 误差项的方差 协方差结构 22000iii ， NiNTNT000 修正的沃尔德检验统计量 2。