计量模型和回归方法在产业内贸易的演进机制分析

为了实证检验资本积累、技术扩散和技术创新这3种机制对中国产业内贸易的增长是否发挥作用，本书首先将上述各因素综合起来，建立如下基本回归方程作为展开分析的基础：

其中，下标i（i＝1，2，…，33）和t（t＝1992，…，2012）分别表示第i个产业和第t年。因变量IITit表示以1992年为基准的产业i在第t年的产业内贸易额。方程（5.2）将一系列可能影响产业内贸易长期变化的自变量分为3种类型：

第一种类型的自变量是自变量组合D，表示由资本积累、技术扩散和技术创新等影响产业内贸易长期增长的主要自变量组成的特定变量集合。其中包括代表资本积累程度的实物资本存量（K）和资本密集度（K／L）；代表技术扩散程度的外商直接投资水平（FDI）和外国研发资本（FR＆D）；代表技术创新水平的本国科研投入比重（SR＆D）和科研人员比重（HR＆D）。

第二种类型的自变量是自变量SEit，表示其他可能影响产业内贸易额的产业层面上的特定因素。这类变量也能够影响产业内贸易的规模，但它们往往是经济中的外生变量，不是本书研究的重点，只作为一般变量进行考察，比如产业的规模和产业中产品的差异程度等因素。按照静态的产业内贸易理论，产业的规模越大、产品的差异程度越高，该产业进行产业内贸易的可能性也就越大。因此，它们与产业内贸易量也有一定的相关性，只是不具有动态特性。本书引入与产业内贸易关系最密切的产业规模作为这类变量的代表，并且用产业中的大中型企业生产产值与当年GDP的比值来衡量产业的规模，该比值越大，说明产业越有可能具有规模经济，产业内贸易也就越多。

第三种类型的自变量是时间虚拟变量Tt，表示影响产业内贸易额的其他特定变量。这些变量虽然随着时间而改变，但它们对每个产业的影响是基本相同的。加入时间虚拟变量可以在一定程度上消除国家的宏观经济因素对产业内贸易的影响，并且其回归系数包含在常数项的回归系数中，最后的εit是随机误差项。

在方程（5.2）中，代表3种主要演进机制的一系列自变量D的估计系数βj（j＝1，2，…，6）是本书需要检验的主要估计系数。Βj能够反映出资本、技术等各种生产要素投入的内生变化与产业内贸易增长之间的关系。如果βj显著为正，说明该变量的增长在长期内促进了产业内贸易的增长，也就支持了本书第3章中的演进机制理论。反之，如果βj显著为负，则需要进一步找出与理论预期不一致的原因。为了使计量结果更加稳健，在运用以上变量进行估计时，所有变量均取自然对数后进行检验，因此变量前的估计系数也可以看作是弹性系数。(www.xing528.com)

另外，本书采用的是33个产业21年的面板数据进行估计，面板数据中也包含着时间序列因素，因此还需要考虑自变量和因变量的非平稳性及其协整关系。如果变量是非平稳的，对这些变量进行简单的回归会产生伪回归，使得检验结果并不可靠（对于数据的非平稳性和协整关系检验，在本书的第4章中有过较详细的说明）。本章将借鉴王建铆和许斌（Wang and Xu，2000）的方法，采用一种相对较简单的非平稳数据序列处理方法，即直接对（5.2）式中的各项作一阶差分，然后再进行回归检验。此时的检验方程为：

方程（5.3）即为本书实际进行检验的方程。其中，对于各变量来说，有ΔXit＝Xit－Xit－1。尽管对变量进行一阶差分处理后会减少最早年份的样本数据，但变量差分之后的方程一般能够消除数据序列的非平稳性，增强各变量回归结果的可靠性，因此可以作为一种简单的处理方法。

对于具体的面板数据的回归分析，通常采用混合数据普通最小二乘估计（pooled OLS）、固定效应模型（fixed effect）和随机效应模型（random effect）这3种模型同时进行估计，然后再根据估计结果进行比较和取舍，从而得出最终的结果。本书也按照这种方法进行，其中，固定效应模型和随机效应模型都考虑到了不同行业之间的差异，二者的区别在于：随机效应模型假定行业之间的差异服从某一随机分布，可以用一个随机变量来表示；而固定效应模型则假定这种差异是固定不变的，可以用一系列与行业相关的常数来表示。混合数据普通最小二乘估计与这两种估计方法都不同，这种方法假定所有的行业都是同质的，完全不考虑行业之间的差异。

由于上述3个模型在估计时使用了不同的原假设，因此采用3种模型分别估计出来的βj值所包含的影响因素也有所不同。具体来说，面板数据同时包含了时间序列因素和横截面因素，因此，参数的估计值可能会同时受到两种不同因素的影响：一种是不同组别数据之间的差异，通常被称之为组间效应（between effect），在本章的研究中就是指不同行业之间的差异；另一种是同一组别内部在不同时间点上数据之间的差异，通常被称之为组内效应（within effect），在本章的研究中就是指同一行业在不同年份之间的差异。在固定效应模型的回归过程中，所有的组间效应都通过固定影响被消除掉了，因此，估计出来的βj值只受到组内效应的影响。混合数据普通最小二乘估计因为没有考虑行业之间差异的存在，所以估计出来的βj值由组间效应和组内效应共同决定。而随机效应模型在回归的过程中虽然考虑到了行业之间差异的存在，但只有当行业之间的差异服从正态分布时，估计出来的βj值才会完全不受这种组间效应的影响，一旦这个条件不成立，βj值也可能会同时受到组间效应和组内效应的影响。