1、Copyright 2011 Pearson Addison-Wesley. All rights reserved.面板数据回归第 10章Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-2本章提纲1. 面板数据的概念及其优势2. 具有两个时期的面板数据3. 固定效应回归4. 时间固定效应回归5. 固定效应回归的标准误6. 实证分析： 酒驾和交通安全Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-310.1 面板数据的概念及其优势面板数据包
2、括多个个体（个人，州，公司 ）的观察值 , 其中每个个体有两个或者两个以上的观察值。例如 : 1999和 2000年，加州 420个学区的面板数据，一共包含840个观察值。 美国 50个州的面板数据，每个州有 3个观察值，一共有150个观察值。 4个月 1000个个体的面板数据，一共有 4000个观察值。Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-4面板数据的符号我们通常用双重下标来区分个体和时期i = 个体， i = 1, n ，其中 n 为 总的个体数目 t = 时期， t =1, T ， 其中 T 为总的时
3、期长度如果数据集包含了变量 X 和 Y，那么该数据可以表示为：(Xit, Yit), i = 1, n, t = 1, T 面板数据又称为 纵列数据 平衡面板 （ balanced panel） : 全部变量的所有个体和时期的数据都能观察到，没有数据缺失。Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-5面板数据有何优势？面板数据可以控制一些因素： 随个体变化但不随时间变化的因素 可能造成遗漏变量偏差（遗漏变量偏差）的因素 不可观测的因素主要思想：如果 模型中 遗漏了一个不随时间变化的变量，那么 该变量不可能是导致
4、Y 随时间变化的因素。Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-6面板数据实例： 交通事故死亡人数和酒精税数据结构： 美国的 48个州， n = 48 1982 1988， 7年的数据 , T= 7 平衡面板，总的观察值个数 = 748 = 336变量 : 交通死亡率 (每州每年的每万人死亡人数 ) 啤酒税 其他（法定驾驶年龄，酒驾的法律规定，等等）Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-71982年美国交通事故死亡数据 :啤
5、酒税越高，交通事故死亡人数越多？Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-8为什么啤酒税越高的州交通事故死亡人数越多？其他影响交通事故死亡率的因素： 汽车质量（年份） 道路状况 关于酒驾的 “文化 ” 路上的汽车密度Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-9可能 存在遗漏变量偏差例 1: 交通密度。I. 高的交通密度意味着更多的交通死亡II. 交通密度高的州通常酒精税也高 产生遗漏变量偏差的两个条件都满足了。具体地， “高税收
6、”可能是 “高的交通密度 ”的反映。 OLS估计量的系数可能偏高 高税收导致高死亡率 。 如果漏掉的变量在州内不随时间变化，则面板数据可以帮助我们消除遗漏变量偏差。Copyright 2011 Pearson Addison-Wesley. All rights reserved. 10-10例 2:对 于 酒驾的态度：(i) 或许是造成交通死亡的决定性因素(ii) 与啤酒税有潜在的关系 产生遗漏变量偏差的 两个条件都满足了。具体地， “高税收”可能是各州对于酒驾态度的 反映。 OLS估计量的 系数可能是有偏的。 如果遗漏的 变量 在州内不 随时间变化，则面板数据可以帮助我们 消除遗漏变量偏差。
