面板截面相关系数 截面系数是什么意思

提到Eviews

很多同学表示太头痛了

无从下手，不想面对...

今天给大家分享一篇

Eviews精彩问答20题

帮助大家快速上手

使用该软件打怪升级

完成终极分析任务！

干货满满，记得收藏哦

问题1：计量经济学是分析什么的？包含哪些内容？

计量经济学的主要用途或目的主要有两个方面：

❶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。

❷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。

研究对象：计量经济学的两大研究对象：横截面数据（Cross-sectionalData）和时间序列数据（Time-series Data）。前者旨在归纳不同经济行为者是否具有相似的行为关联性，以模型参数估计结果显现相关性；后者重点在分析同一经济行为者不同时间的资料，以展现研究对象的动态行为。

新兴计量经济学研究开始切入同时具有横截面及时间序列的资料，换言之，每个横截面都同时具有时间序列的观测值，这种资料称为追踪资料(Panel data，或称面板资料分析)。追踪资料研究多个不同经济体动态行为之差异，可以获得较单纯横截面或时间序列分析更丰富的实证结论。

涉及到的相关学科：计量经济学是结合经济理论与数理统计，并以实际经济数据作定量分析的一门学科。计量经济学以古典回归分析方法为出发点。依据数据形态分为：横截面数据回归分析、时间序列分析、面板数据分析等。依据模型假设的强弱分为：参量计量经济学、非参量计量经济学、半参量计量经济学等。常运用的软件：EViews、Gretl、MATLAB、Stata、R、SAS、SPSS等。

问题2：Eviews是用来干嘛的？

单阶变截面柱的反力系数

准确点说 Eviews是计量经济学软件。从分析层面上说计量经济学更重视建立模型也就是用数据来验证模型。Eviews在建立模型求解上有独特的优势。你如果只做一些应用的计量经济模型和经验分析，用eviews就挺好，简单易操作，全是菜单和对话框，建议数学基础不是很高，以经济学研究为主的同学们学习Eviews。

问题3：平衡面板和非平衡面板的区别是什么？

“平衡的意思是，如果按截面成员堆积数据，每个截面成员应包括正好相同的时期；如果按日期堆积数据，每个日期应包含相同数量的截面成员观测值，并按相同顺序排列。特别要指出的是，基础数据并不一定是平衡的，只要在输入文件中有表示即可。如果观测值中有缺失数据，一定要保证文件中给这些缺失值留有位置。”——from高铁梅

根据这段话，可以理解为：有缺失的面板数据不一定就是非平衡数据。平衡数据实际只是一种转换的比较规整的结构，用于更方便的表示成堆积数据。

问题4：标准差和标准误的区别在哪？

❶概念不同；标准差是描述观察值(个体值)之间的变异程度；标准误是描述样本均数的抽样误差；

❷用途不同；标准差与均数结合估计参考值范围,计算变异系数,计算标准误等.标准误用于估计参数的可信区间,进行假设检验等.

❸它们与样本含量的关系不同:当样本含量 n足够大时,标准差趋向稳定；而标准误随n的增大而减小,甚至趋于0。联系:标准差,标准误均为变异指标,当样本含量不变时,标准误与标准差成正比。

问题5：变异系数到底有什么用？

标准差与平均数的比值称为变异系数，记为C.V。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。

作用：反映单位均值上的离散程度，常用在两个总体均值不等的离散程度的比较上。若两个总体的均值相等，则比较标准差系数与比较标准差是等价的。

问题6：几种相关系数的含义是什么？

❶简单相关系数：又叫相关系数或线性相关系数。它一般用字母r表示，是用来度量定量变量间的线性相关关系。

❷复相关系数：又叫多重相关系数，复相关是指因变量与多个自变量之间的相关关系。例如，某种商品的需求量与其价格水平、职工收入水平等现象之间呈现复相关关系。

❸偏相关系数：又叫部分相关系数，部分相关系数反映校正其它变量后某一变量与另一变量的相关关系，校正的意思可以理解为假定其它变量都取值为均数。偏相关系数的假设检验等同于偏回归系数的t检验。复相关系数的假设检验等同于回归方程的方差分析。

可决系数是相关系数的平方。意义：可决系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。

方法/步骤：短面板处理面板数据是指既有截面数据又有时间序列的数据，因此其存在截面数据没有的优势，在用stata进行面板数据的估计时，一般选择xtreg命令进行拟合。本节主要论述短面板的stata实现，即时间维度T相对于截面数n较小的数据。在那种情况下，由于T较小，每个个体的信息较少，故无从讨论扰动项是否存在自相关，一般假设其独立同分布。面板数据维度的确定：在面板数据进行模型估计前，要进行面板数据的维度确定。由于面板数据既有截面数据又有时间序列，而stata不能自动识别，因此，必须使得stata得知哪一部分是截面数据，而哪一部分是时间序列。设置面板数据维度的基本命令为：xtsetpanelvartimvar,tsoptions其中panelvar代表截面数据变量，timvar代表时间序列变量。选取某一面板数据进行维度设定（该数据研究职业培训津贴对厂商废弃率的影响）：xtsetfcodeyear固定效应估计xtreg可以估计固定效应与随机效应，两者的差异在于选项的不同。xtreg用来做固定效应的语法是：xtregdepvarindepvarsifinweight,feFE_options其语法可以helpxtreg获得。（说明，其中xt表示面板数据的命令，因此，在stata中输入helpxt可以学习面板数据描述、估计等命令。）选取某一数据进行拟合：xtreglscrapd88d89grantgrant_1,fe结果显示如下：其中，(1)表示组内、组间、总体的R方，其中固定效应看组内R-sq，随机效应看总体R-sq。(2)表示个体效应与解释变量的相关系数。(3)F检验表示模型整体显著性。(4)U表示个体观测效应，sigma_u为个体效应的标准差E表示随机干扰项，u+e为所谓的混合误差，rho是指个体效应的方差占混合误差方差的比重。随机效应估计xtreg用来做随机效应的语法是：xtregdepvarindepvarsifinweight,reRE_options与上一部分类似的估计xtreglscrapd88d89grantgrant_1,re（5）与固定效应不同的是，固定效应F检验处，此处为瓦尔德卡方检验，同样表示模型整体显著性。固定效应与随机效应的选择：豪斯曼检验首先，看两个效应的区别固定效应与随机效应的区别区别一：FE/RE模型可统一表述为：y_it=u_i+x_it*b+e_it对于FE，个体效应u_i被视为一组解释变量，为非随机变量，即N-1个虚拟变量；对于RE，个体效应u_i被视为干扰项的一部分，因此是随机变量，假设其服从正态分布，即u_i~N(0,sigma_u^2)；在上述两个模型的设定中，e_it都被视为“干干净净的”干扰项，也就是OLS时那个背负着众多假设条件，但长相极为俊俏的干扰项，e_it~N(0,sigma_e^2)。需要注意的是，在FE模型中，只有一个干扰项e_it，它可以随公司和时间而改变，所有个体差异都采用u_i来捕捉。而在RE模型中，其实有两个干扰项：u_i和e_it，差别在于，第一种干扰项不随时间改变（这也是所谓的“个体效应”的含义），而第二类干扰项可以随时间改变。因为上述对FE和RE中个体效应u_i的假设之差异，二者的估计方法亦有差异。FE可直接采用OLS估计，而RE则必须使用GLS才能获得更为有效的估计量。固定效应模型中的个体差异反映在每个个体都有一个特定的截距项上；随机效应模型则假设所有的个体具有相同的截距项，个体的差异主要反应在随机干扰项的设定上。区别二：固定效应更适合研究样本之间的区别，而随机效应适合由样本来推断总体特征。其次，Hausman检验确定模型形式的选择。以上面的面板数据为例xtreglscrapd88d89grantgrant_1,feeststorefextreglscrapd88d89grantgrant_1,reeststorerehausmanfe结果显示：（1）原假设为随机效应，而最终P值为0.7096，接受原假设，模型最终选择为随机效应。