汇率动态面板数据模型

Ⅰ 面板数据模型可以解决哪些经济问题

步骤一：分析数据的平稳性（单位根检验）
按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250 之间,截面数介于10～250 之间) 的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。
由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量、Hadri Z统计量，并且Levin, Lin & Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程，lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程， Hadri Z统计量的检验原假设为不存在普通的单位根过程。有时，为了方便，只采用两种面板数据单位根检验方法，即相同根单位根检验LLC（Levin-Lin- Chu）检验和不同根单位根检验Fisher-ADF检验（注：对普通序列（非面板序列）的单位根检验方法则常用ADF检验），如果在两种检验中均拒绝存在单位根的原假设则我们说此序列是平稳的，反之则不平稳。如果我们以T（trend）代表序列含趋势项，以I（intercept）代表序列含截距项，T&I代表两项都含，N（none）代表两项都不含，那么我们可以基于前面时序图得出的结论，在单位根检验中选择相应检验模式。但基于时序图得出的结论毕竟是粗略的，严格来说，那些检验结构均需一一检验。具体操作可以参照李子奈的说法：ADF检验是通过三个模型来完成，首先从含有截距和趋势项的模型开始，再检验只含截距项的模型，最后检验二者都不含的模型。并且认为，只有三个模型的检验结果都不能拒绝原假设时，我们才认为时间序列是非平稳的，而只要其中有一个模型的检验结果拒绝了零假设，就可认为时间序列是平稳的。此外，单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。我们记I(0)为零阶单整，I(1)为一阶单整，依次类推，I(N)为N阶单整。
步骤二：协整检验或模型修正
情况一：如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。但也有如下的宽限说法：如果变量个数多于两个，即解释变量个数多于一个，被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时，则必须至少有两个解释变量的单整阶数高于被解释变量的单整阶数。如果只含有两个解释变量，则两个变量的单整阶数应该相同。也就是说，单整阶数不同的两个或以上的非平稳序列如果一起进行协整检验，必然有某些低阶单整的，即波动相对高阶序列的波动甚微弱（有可能波动幅度也不同）的序列，对协整结果的影响不大，因此包不包含的重要性不大。而相对处于最高阶序列，由于其波动较大，对回归残差的平稳性带来极大的影响，所以如果协整是包含有某些高阶单整序列的话（但如果所有变量都是阶数相同的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其纳入协整检验。
协整检验方法的文献综述：(1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。(2)Pedron(1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。(3)Larsson et al(2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法，这种检验的方法是检验变量存在共同的协整的秩。我们主要采用的是Pedroni、Kao、Johansen的方法。通过了协整检验，说明变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的。因此可以在此基础上直接对原方程进行回归，此时的回归结果是较精确的。这时，我们或许还想进一步对面板数据做格兰杰因果检验（因果检验的前提是变量协整）。但如果变量之间不是协整（即非同阶单整）的话，是不能进行格兰杰因果检验的，不过此时可以先对数据进行处理。引用张晓峒的原话，“如果y和x不同阶，不能做格兰杰因果检验，但可通过差分序列或其他处理得到同阶单整序列，并且要看它们此时有无经济意义。” 下面简要介绍一下因果检验的含义：这里的因果关系是从统计角度而言的，即是通过概率或者分布函数的角度体现出来的：在所有其它事件的发生情况固定不变的条件下，如果一个事件X的发生与不发生对于另一个事件Y的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又有先后顺序（A前B后），那么我们便可以说X是Y的原因。考虑最简单的形式，Granger检验是运用F-统计量来检验X的滞后值是否显著影响Y（在统计的意义下，且已经综合考虑了Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Granger cause）；如果影响显著，那么称X是Y的“Granger原因”。同样，这也可以用于检验Y是X的“原因”，检验Y的滞后值是否影响X（已经考虑了X 的滞后对X自身的影响）。 Eviews好像没有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test。说明Eviews是无法对面板数据序列做格兰杰检验的，格兰杰检验只能针对序列组做。也就是说格兰杰因果检验在Eviews中是针对普通的序列对(pairwise)而言的。你如果想对面板数据中的某些合成序列做因果检验的话，不妨先导出相关序列到一个组中(POOL窗口中的Proc/Make Group)，再来试试。
情况二：如果如果基于单位根检验的结果发现变量之间是非同阶单整的，即面板数据中有些序列平稳而有些序列不平稳，此时不能进行协整检验与直接对原序列进行回归。但此时也不要着急，我们可以在保持变量经济意义的前提下，对我们前面提出的模型进行修正，以消除数据不平稳对回归造成的不利影响。如差分某些序列，将基于时间频度的绝对数据变成时间频度下的变动数据或增长率数据。此时的研究转向新的模型，但要保证模型具有经济意义。因此一般不要对原序列进行二阶差分，因为对变动数据或增长率数据再进行差分，我们不好对其冠以经济解释。难道你称其为变动率的变动率？
步骤三：面板模型的选择与回归
面板数据模型的选择通常有三种形式： 一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。一种是固定效应模型（Fixed Effects Regression Model）。如果对于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加虚拟变量的方法估计回归参数。一种是随机效应模型（Random Effects Regression Model）。如果固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应，并且这两个随机误差项都服从正态分布，则固定效应模型就变成了随机效应模型。在面板数据模型形式的选择方法上，我们经常采用F检验决定选用混合模型还是固定效应模型，然后用Hausman检验确定应该建立随机效应模型还是固定效应模型。检验完毕后，我们也就知道该选用哪种模型了，然后我们就开始回归：在回归的时候，权数可以选择按截面加权（cross- section weights）的方式，对于横截面个数大于时序个数的情况更应如此，表示允许不同的截面存在异方差现象。估计方法采用PCSE（Panel Corrected Standard Errors，面板校正标准误）方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新，可以有效的处理复杂的面板误差结构，如同步相关，异方差，序列相关等，在样本量不够大时尤为有用。

Ⅱ 请教大侠，关于GMM动态面板数据模型的广义矩估计

主要是做动态面板数据的两个重要检验。Sargan用来检验在广义矩估计（gmm）中是否存在过度限制约束问题，Arellano-Bond 用来检验误差项是否存在序列相关问题，如果存在L阶序列相关，则差分方程的工具变量必须选取滞后L+1。

Ⅲ 动态面板数据模型可以用固定效应估计吗

好像做动态面板模型应该要求样本观察值的个数至少有4期。至于内生变量的设定要根据论文的理论分析来设定，还有内生变量的个数问题必须考虑，也计算内生变量的识别问题。
动态面板估计的命令很多，我都用外加xtbond2，官方也有命令。

Ⅳ 计量经济里的动态面板模型的主要思想是什么啊

所谓动态面板数据模型，是指通过在静态面板数据模型中引入滞后被解释变量以反映动态滞后效应的模型。这种模型的特殊性在于被解释变量的动态滞后项与随机误差组成部分中的个体效应相关，从而造成估计的内生性。

计量经济学的基础是一整套建立在数理统计理论上的计量方法，属于计量经济学的“硬件”，计量经济学的主要用途或目的主要有两个方面：

理论检验。这是计量经济学用途最为主要的和可靠的方面。这也是计量经济学本身的一个主要内容。

预测应用。从理论研究和方法的最终目的看，预测（包括政策评价）当然是计量经济学最终任务，必须注意学习和了解，但其预测的可靠性或有效性是我们应十分注意的。

(4)汇率动态面板数据模型扩展阅读：

研究对象发生了较大变化。即从研究确定性问题转向非确定性问题，其对象的性质和意义将发生巨大的变化。因此，在方法的思路上、方法的性质上和方法的结果上，都将出现全新的变化。

研究方法发生根本变化。计量经济学方法的基础是概率论和数理统计，是一种新的数学形式。学习中要十分注意其基本概念和方法思路的理解和把握，要充分认识其方法与其它数学方法的根本不同之处。

Ⅳ 动态面板数据模型中onestep和twostep的区别

类比2SLS 应该是第一步利用IV求出内生变量的拟合值，然后第二步用拟合值替代原有的内生变量进行回归

Ⅵ 面板数据模型的定义和操作方法

(第3组 宏现经济增长与发展，6686个字符)
中国能源、环境与经济增长基于面板数据的计量分析
王洲洋
（河北经贸大学数统学院，石家庄，050061）
摘 要
本文运用面板数据的分析方法对我国各地区的能源消费、环境污染与经济增长进行了实证研究。研究表明：能源消费、环境污染与经济增长变量均为不平稳变量，但它们之间存在着长期的协整关系。如果能源供应每增加1%，GDP就会增加0.269%；环境污染每减少1%，GDP就能增加0.043%。
关键词 经济增长 面板协整检验 Hausman检验
Abstract
This paper assesses the relationship among the energy consumption, environment pollution and economic growth in all the regions of China by the method of Panel Data. Research results indicate that the energy consumption, environment pollution and economic growth are not balanced variables，but they have the Co-integration relations in a long run.If the energy supply increases 1%,the economic growth will increase 0.269%;And if the environment pollution decreases 1%,the economic growth will increase 0.043%.
Key words : economical growth Panel data Co-integration Test Hausman-test
一、引言
自从进入工业化时期以来，世界上许多国家为了追求经济的快速增长和物质产品的极大丰富，对能源进行了大规模的开发和利用，而能源的逐渐枯竭及能源带来的生态环境问题，都将严重阻碍经济的发展。环境作为经济、社会发展的物质条件，作为经济发展的基础，既可以直接地促进经济的发展，也可能成为经济的发展的阻力，环境污染已成为危害人们健康、制约经济和社会发展的重要因素之一。如今能源与环境问题已成为制约一个国家经济增长的瓶颈，而这种现象在我国尤为突出。不断开发新能源，开发可再生能源，提高能源利用效率，保护环境将对我国经济发展起到重要作用。党的十七大报告再次强调要加强能源资源节约和生态环境保护，并指出，加强能源资源节约和环境环境保护，增强可持续发展能力，坚持节约资源和保护环境的基本国策，关系人民群众切身利益和中华民族生存发展。因此，对于我国能源消费、环境保护和经济发展的关系研究具有十分重要的理论价值和现实意义。
近年来我国的能源、环境问题已成为被关注的热点，许多学者从不同的角度进行了大量的分析，得出了许多有用的启示。如林伯强[1]（2003）通过协整分析考察了我国能源需求与经济增长的关系；王逢宝[2]等（2006）运用线性回归的方法对区域能源、环境与经济增长进行了研究。冯秀[3]（2006）则探讨了我国能源利用现状及能源、环境与经济增之长的关系。林师模等[4]（2006）研究了能源技术创新对我国经济，环境与能源之间的关系。目前大多的文献是用时间序列的数据，或是从总量的角度来分析全国或某个地区的能源消费、环境污染与经济增长之间的关系，但由于我国幅员辽阔，各地区间的经济、能源消费与环境方面都存在着巨大的差异，因而不能把各个地区的经济、能源消费与环境污染视为一个同质的整体，且运用时间序列数据往往很难解释它们间的内在联系。
本文使用我国省级的面板数据，运用面板数据的分析方法对我国各地区的能源消费、环境污染与经济增长进行实证分析，从而来揭示我国能源消费、环境污染与经济增长之间的内在联系。
二、研究方法
面板数据分析方法是最近几十年来发展起来的新的统计方法，面板数据可以克服时间序列分析受多重共线性的困扰,能够提供更多的信息、更多的变化、更少共线性、更多的自由度和更高的估计效率，而面板数据的单位根检验和协整分析是当前最前沿的领域之一。在本文的研究中，我们首先运用面板数据的单位根检验与协整检验来考察能源消费、环境污染与经济增长之间的长期关系，然后建立计量模型来量化它们之间的内在联系。
面板数据的单位根检验的方法主要有 Levin,Lin and CHU(2002)提出的LLC检验方法[5]。Im,Pesearn,Shin(2003)提出的IPS检验[6] , Maddala和Wu(1999)，Choi（2001）提出的ADF和PP检验[7]等。面板数据的协整检验的方法主要有Pedroni[8] (1999，2004)和Kao[9](1999)提出的检验方法，这两种检验方法的原假设均为不存在协整关系，从面板数据中得到残差统计量进行检验。Luciano(2003)中运用Monte Carlo模拟[10]对协整检验的几种方法进行比较，说明在T较小（大）时，Kao检验比Pedroni检验更高（低）的功效。具体面板数据单位根检验和协整检验的方法见参考文献[5-10]。
三、实证分析
1.指标选取和数据来源
经济增长：本文使用地区生产总值 ，以1999年为基期，根据各地区生产总值指数折算成实际 ，单位：亿元。
能源消费：考虑到近年来我国能源消费总量中，煤炭和石油供需存在着明显低估，而电力消费数据相当准确。因此使用电力消费更能准确反映能源消费与经济增长之间的内在联系（林伯强，2003）。所以本文使用各地区电力消费量 作为能源消费量，单位：亿千瓦小时。
环境污染：污染物以气休、液体、固体形态存在，本文选取工业废水排放量 作为环境污染的量化指标，单位：万吨。
本文采用1999-2006年全国30个省（直辖市，自治区）的地区生产总值 、电力消费量 和工业废水排放量 的数据构建面板数据集。30个省（直辖市，自治区）包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、海南、广西、重庆、四川、贵州、云南、陕西、西藏、甘肃、青海、宁夏、新疆，由于西藏数据不全故不包括在内。数据来源于《中国统计年鉴2000-2007》。为了消除变量间可能存在的异方差，本文先对 、 和 进行自然对数变换。
记 , , .
2．面板数据的单位根检验
为了避免单一方法可能存在的缺陷，本文使用LLC检验、IPS检验、Fisher-ADF检验和Fisher-PP检验四种方法来进行面板数据的单位根检验。利用Eviews 6.0软件(下同)，检验结果见表1。
表1 ， ， 的面板单位根检验
变 量 LLC p值 IPS p值 Fisher-ADF p值 Fisher-PP p值

4.21 1.00 5.78 1.00 16.95 1.00 7.67 1.00

6.35 1.00 10.24 1.00 5.37 1.00 9.45 1.00

-2.91 0.0018 1.26 0.89 56.97 0.058 90,56 0.0066

-14.89 0.00 -3.17 0.0008 103.88 0.0004 86.42 0.0144

-21.99 0.00 -5.80 0.00 143.77 0.00 146.44 0.00

-12.21 0.00 -4.52 0.00 135.51 0.00 184.48 0.00

从表1可以看出， ， 在5%水平不平稳，经一阶差分后 ， 均在5%水平拒绝原假设， 的LLC检验在5%水平不显著，但其它三种检验方法均显著， 的四种检验方法均在5%水平下拒绝原假，所以我们认为 ， ， 均为一阶差分平稳变量。
3．面板数据的协整检验
对 ， ， 的协整关系进行Pedroni协整检验和Kao协整检验。其检验结果见表2和表3。
表2 Pedroni协整检验
统计量 p值
Panel v统计量 -1.145 0.0056
Panel rho统计量 2.588 0.0277
Panel PP统计量 -1.543 0.0013
Panel ADF统计量 -3.811 0.0000
Group rho统计量 5.088 0.0000
Group PP统计量 -2.559 0.0151
Group ADF统计量 -6.985 0.0000

表3 Kao协整检验
t统计量 p值
ADF -5.873 0.0000

由表2和表3的面板协整检验结果可知： Pedroni协整检验的七个统计量与Kao协整检验的ADF统计量均在5%显著性水平下拒绝原假设，表明 ， ， 之间存在显著的协整关系。
4.模型检验
(1) 固定效应模型显著性检验
固定效应模型显著性检验是检验模型中固定效应系数 是否有差异，即原假设为 。其检验结果如表4所示：
表4 固定效应模型的显著性检验
固定效应显著性检验 统计量 自由度 p值
Cross-section F 374.484 (29,208) 0.0000
Cross-section Chi-square 953.827 29 0.0000

由表4固定效应模型的显著性检验结果可知，p值小于5%，因此拒绝固定效应系数 相同的原假设，所以我们选取固定效应模型比较合适。
(2)Hausman检验
Hausman检验的原假设是随机效应模型的系数与固定效应模型的系数没有差别，如果接受原假设，表明应选择随机效应模型，否则就应该选择固定效应模型。检验结果在表4和表5中列出。
表5 Hausman检验
Chi-Sq. 统计量 Chi-Sq. Statistic自由度 p值
Cross-section random 117.766 2 0.000

表6 固定效应与随机效应检验比较
变量 固定效应 随机效应 两种效应方差之差 p值

0.269 0.279 0.000002 0.0000

-0.0434 -0.017 0.000007 0.0000

从表5中Hausman检验结果与表6中固定效应与随机效应检验比较可以看出，p值在5%水平下拒绝原假设，模型中被忽视的效应与模型中的两个解释变量相关，所以我们认为固定效应模型是更好的选择。
5．模型的估计
根据上面的分析我们采用固定效应模型对模型进行估计，模型估计结果如下式所示：
(1)
(44.647) (20.341) (-3.097)
[0.0000] [0.0000] [0.0022]
小括号中是t统计量，中括号中是相应的p值。
模型调整后的 为0.996，F值为2484.3，残差平方和为0.599，各个系数均通过t检验，模型拟合的相当不错。
固定效应系数 见表7所示：
表7各地区的固定效应系数
地区

地区

地区

北京 0.207 浙江 0.792 海南 -1.044
天津 -0.268 安徽 0.283 重庆 -0.222
河北 0.582 福建 0.425 四川 0.440
山西 -0.351 江西 -0.00158 贵州 -0.808
内蒙古 -0.454 山东 1.034 云南 -0.121
辽宁 0.473 河南 0.623 陕西 -0.228
吉林 -0.138 湖北 0.429 甘肃 -0.815
黑龙江 0.251 湖南 0.424 青海 -1.962
上海 0.555 广东 1.139 宁夏 -1.908
江苏 1.058 广西 -0.0147 新疆 -0.380

式(1)表明，GDP与能源消费、环境污染之间存在着显著的长期均衡关系，从全国的平均水平来看，能源消费的弹性系数是0.269,也就是能源供应每增加1%，GDP就会增加0.269%；环境污染的弹性系数是-0.043,即环境污染每减少1%，GDP就能增加0.043%，这说明GDP与环境污染存在着反向的关系，与我们普遍认为的保护环境能促进经济健康快速发展的观点相一致。
四、主要结论
本文通过采用比较前沿的面板单位根检验、面板协整检验等分析方法，对1999年到2006年我国能源消费、环境污染与经济增长的省级面板数据进行了实证研究。研究表明：我国能源消费、环境污染与经济增长均为不平稳过程，这主要是因为我国各地区由于政策、环境等多种原因，使得各地区间存在着很大的差异，所以不同的地区表现出非一致性，但不同地区的能源消费、环境污染与经济增长之间都存在着显著的协整关系。能源和环境作为经济持续增长的要素，对我国经济发展有着重大的影响作用。能源供应与经济增长存在着正向的关系，经济增长对能源有很强的信赖性，而环境污染与经济增长存在着反向的关系，环境污染程度的加剧将会严重阻碍经济的增长。从全国平均水平来看，能源供应每增加1%，GDP将增加0.269%；环境污染每减少1%，GDP将增加0.043%。因此坚持节约能源、提高能源使用效率和保护环境将对我国经济的持续、快速、健康发展具有极其重要的意义。
需要指出的是，由于数据方面的原因，本文使用的面板数据时间跨度并不长(1999-2006)，得到的长期关系有可能受到质疑 (DimitrisK.Christopoulos and Efthvmios G.Tsionas,2004) [11]。本文使用各地区电力消费量来代替能源消费总量，工业废水排放量来反映环境污染程度，但它们都只反映了能源消费、环境污染程度的一个方面，所以指标的选取并不全面，应该将煤、石油等能源的消费以及大气污染、固体废弃物污染等全部纳入指标体系，这样指标体系才更加全面、更加合理，这有待我们今后更加深入的研究。

参考文献:
[1]林伯强：《电力消费与中国经济增长:基于生产函数的研究》[J]，《管理世界》2003年第11期。
[2]王逢宝、张磊、秦贞兰：《能源、环境与区域经济增长的计量分析》[J]，《天津财贸管理干部学院学报》2006年第3期。
[3]冯秀、丁勇：《可持续发展下中国的能源、环境与经济》[J]，《北方经济》2006年第2期。
[4]林师模、苏汉邦、林幸桦：《能源技术创新对经济、能源及环境》的影响[J]《东莞理工学院学报》2006年第4期。
[5]Levin.A.,C.F.Lin Unit Root Tests in Panel Data:Asymptotic and Finite Sample Properties[C].UC San Diego.Working Paper,1992.92-93.
[6]Im K.S.,M.H.Pesaran and Y.Shin.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics 2003,115:53-74.
[7]Maddala G.S.,Wu Shaowen,1999.Acomparative Study of Unit Root Tests with Panel Data and a New Simple Test [J].Oxford Bulletin of Economics and Statistics,1999,61:631-652.
[8]Luciano,G..On the Power of Panel Cointegration Tests:A Monte Carlo Comparison[J].Economics Letters,2003,80:105-111.
[9]Pedroni,P.Critical Value for Cointegration Tests in Heterogeneous Panels with Multiple Regressors[J].Oxford Bulletin of Economics and Statistics,1999,61:653-678.
[10]Kao,C,Spurious Regression and Resial-based Tests for Cointetration in Panel Data[J].Journal of Econometrics,1999,90:1-44.
[11]Dimitris K. Christopoulos,Efthymios G.Tsionas,2004,Financial development and economic growth: evidence from panel.

Ⅶ 动态面板数据模型中的年份虚拟变量是怎么设定

不一定。动态面板不仅仅针对于被解释变量受到滞后项的影响，还有别的因素。建议去看Roodman （2009）：How to do xtabond2: An introction to difference and system GMM in Stata

Ⅷ 什么是动态面板数据

面板数据，即Panel Data，也叫“平行数据”，是指在时间序列上取多个截面，在这些截面上同时选取样本观测值所构成的样本数据。或者说他是一个m*n的数据矩阵，记载的是n个时间节点上，m个对象的某一数据指标。

其有时间序列和截面两个维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排在一条线上有着明显的不同，整个表格像是一个面板,所以把panel data译作“面板数据”。

但是，如果从其内在含义上讲,把panel data译为“时间序列—截面数据” 更能揭示这类数据的本质上的特点。也有译作“平行数据”或“TS-CS数据（Time Series - Cross Section）”。

(8)汇率动态面板数据模型扩展阅读：

研究方法

面板数据分析方法是最近几十年来发展起来的新的统计方法，面板数据可以克服时间序列分析受多重共线性的困扰,能够提供更多的信息、更多的变化、更少共线性、更多的自由度和更高的估计效率，而面板数据的单位根检验和协整分析是当前最前沿的领域之一。

面板数据的单位根检验的方法主要有 Levin,Lin and CHU(2002)提出的LLC检验方法。Im,Pesearn,Shin(2003)提出的IPS检验 , Maddala和Wu(1999)，Choi（2001）提出的ADF和PP检验等。

面板数据的协整检验的方法主要有Pedroni[8] (1999，2004)和Kao[9](1999)提出的检验方法，这两种检验方法的原假设均为不存在协整关系，从面板数据中得到残差统计量进行检验。

Luciano(2003)中运用Monte Carlo模拟[10]对协整检验的几种方法进行比较，说明在T较小（大）时，Kao检验比Pedroni检验更高（低）的功效。