用面板数据建立的模型通常有三种,即混合回归模型、固定效应模型(FEM)和随机效应模型(REM)。如果一个面板数据模型定义为,
其中yit为因变量,u表示截距项,Xit为k × 1阶自变量列向量(包括k个回归量),β为k × 1阶回归系数列向量,εit为误差项,则此模型为混合回归模型。混合回归模型的特点是无论对任何个体和截面,回归系数u和β都相同。如果模型是正确设定的,解释变量与误差项不相关,即Cov(Xit, εit) = 0,那么无论是N→∞,还是T→∞,模型参数的混合最小二乘估计量都是一致估计量。
如果一个面板数据模型定义为,
其中ui是随机变量,表示对于i个个体有i个不同的截距项,且其变化与Xit有关系;Xit为k × 1阶自变量列向量,β为k × 1阶回归系数列向量,对于不同个体回归系数相同,εit为误差项,则此模型为个体固定效应回归模型。个体固定效应模型4.3的强假定条件是,E(εit|ui, Xit)=0,i=1,2,…,N。
如果一个面板数据模型定义为,
如果ui为随机变量,其分布与Xit无关;Xit为k × 1阶自变量列向量,β为k × 1阶回归系数列向量,对于不同个体回归系数相同,yit为因变量,εit为误差项,这种模型为个体随机效应回归模型。其假定条件是都被假定为独立同分布。
在对式4.1的分析中,企业转型升级、资金能力、发展能力、偿债能力、风险水平、管理能力和营销能力选择的指标分别为:营业毛利率、流动资产周转率、营业收入增长率、利息保障倍数、综合杠杆、管理费用率和销售费用率。
首先,对混合回归和固定效应进行比较。在使用Stata的“xtreg,fe”时,如果不加选择项“r”,则输出结果还包含一个F检验,其原假设为“H0:all ui=0”,即混合回归是可以接受的。回归结果显示F(105,150 5)=68.53,Prob>F=0.000 0。估计结果如图4.1所示。
(www.xing528.com)
图4.1 估计结果(1)
对于原假设“H0:all ui=0”,由于F检验的p值为0.0000,故强烈拒绝原假设,即认为FE明显优于混合回归,应该允许每个个体拥有自己的截距项。当然,也可以用LSDV法来进一步考察,结果也表明大多数个体虚拟变量均很显著(p值为0.000),故可放心地拒绝“所有个体虚拟变量都为0”的原假设,即认为存在个体效应,不应使用混合回归。
接下来,对混合回归和随机效应进行比较。Breusch和Pagan(1980)提出了一个检验个体效应的LM检验,其原假设为“H0:σu2=0”,而备择假设为:“H1:σu2≠0”,如果拒绝H0,则说明原模型中应该有一个反映个体特征的随机扰动项ui,而不应该使用混合回归,该LM检验的Stata命令为“xttest0”,在执行命令“xtreg,re”后进行。估计结果如图4.2所示。
图4.2 估计结果(2)
LM检验拒绝“不存在个体随机效应”的原假设,在“随机效应”与“混合回归”二者之间,应选择随机效应。
最后,对固定效应和随机效应进行比较。关于固定效应和随机效应的选择,传统的方法是hausman检验,然而传统的hausman检验假定,在H0成立的情况下,随机效应模型是最有效率的,这意味着,ui和εit都必须是独立同分布的。因此,如果聚类稳健标准误与普通标准误相差较大,则传统的hausman检验不适用[8]。解决的办法是采用Stata的非官方命令“xtoverid”来进行,在使用该命令之前,须先以稳健标准误来执行命令“xtreg,re”。执行结果如图4.3所示。
图4.3 执行结果
由于p值为0.000,故强烈拒绝原假设“H0:ui与xit不相关”,认为应该使用固定效应模型,而非随机效应模型。
通过上述三个步骤的分析发现,应使用固定效应模型对式4.1进行估计。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。