面板引力模型的实证方法优化

（一）估计模型的选取

面板数据（Panel data）也称时间序列截面数据（Time series and cross section data）或混合数据（Pool data）。面板数据是同时在时间和截面空间上取得的二维数据。用面板数据建立的模型通常有三种：混合估计模型、固定效应模型和随机效应模型。

1.混合估计模型

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。

2.固定效应模型

在面板数据散点图中，如果对不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型。

3.随机效应模型(www.xing528.com)

随机效应模型和固定效应模型比较，相当于把固定效应模型中的截距项看成两个随机变量。一个是截面随机误差项，一个是时间随机误差项。如果这两个随机误差项都服从正态分布，对模型估计时就能够节省自由度，因为此条件下只需要估计两个随机误差项的均值和方差。

面板模型估计方法的选择通常依据F检验和Hausman检验。首先，通过F检验对面板数据的可混合性进行检验，从而在混合效应模型与固定效应模型之间进行辨别。然后，再依据Hausman检验结果确定选用固定效应模型或是随机效应模型。

在实证研究中，经过F检验，文中面板数据模型均适用于混合效应模型。

（二）似不相关回归方法

为解决面板数据估计过程中的自相关问题，本书采用了似不相关回归方法。

具体而言，根据样本数据特征，似不相关回归方法又分为时期或截面相似的似不相关回归方法。在本书的实证分析过程中，处理时序数目小于截面数目的时期数据时采用近似（Period SUR）的似不相关回归方法对混合效应模型进行估计，处理时序数目大于截面数目的截面近似（Cross-section SUR）的数据时采用似不相关回归方法对混合效应模型进行估计。