
一、前言
计算和互联网技术的广泛运用极大地提高了数据的可获得性,使大量的数据得以收集、保存和整理。与此同时,计量经济学在整个经济学体系中的地位日益提升。在顶级经济学杂志的论文中,应用计量论文已占到了相当高的比例。正是在这些背景之下,面板数据受到了越来越多经济研究人员的欢迎,面板数据的应用研究亦成为热点。
面板数据成为研究的热点一方面自然是因为本身优秀的特质;另一方面也归因于面板数据在应用过程中仍有许多问题和未知领域需要去探索。在面板数据回归分析中,如果存在异方差,最小二乘估计出的系数尽管是线性、无偏和一致的,但不是有效的,甚至不是渐进有效的。这些影响将导致参数估计和假设检验失效。
二、异方差产生的原因
异方差产生的因素很多,比如模型中省略了某些重要的解释变量,模型形式设定不准确,样本数据中存在的测量误差,异常值的出现,截面个体之间的差异等。面板数据是具有时序和截面双重性质的数据形式,异方差不仅会出现在时间序列上还将出现在横截面序列上,所以面板数据模型中的异方差问题要比单纯的时间序列或截面数据模型要复杂得多。
三、面板数据异方差处理方法
实际上,在处理面板数据线性回归时,主要考虑固定效应模型与pooled OLS的异方差问题。因为随机效应模型使用GLS估计,本身就已经控制了异方差。
Huber (1967)、Eicker (1967) 和 White (1980)提出了异方差—稳健方差矩阵估计,该方法能够在考虑异方差情况下求出稳健标准误。利用异方差稳健标准误对回归系数进行t检验和F检验都是渐近有效的。这就意味着,如果出现异方差,仍然可以使用OLS回归,只需结合使用稳健标准误即可。在STATA中,异方差—稳健标准误可以在“reg”或者“xtreg”语句后,加选择性命令“robust”即可得到。但是这一方法有一个假设的前提:残差项是独立分布的。
Parks(1967)提出了可行广义最小二乘法(FGLS),一般用于随机效应模型估计。基本思路是:先估计固定效应模型,得到〖个体误差项方差σ〗_ε^2 的估计值〖 σ ?〗_ε^2。继而估计混合OLS模型,利用其残差和第一步得到的〖 σ ?〗_ε^2,即可估计出总体误差项的方差σ ?_μ^2 。FGLS 估计量在N→∞或T→∞或二者都成立的情况下,都是渐进有效的。在STATA中,运用可行广义最小二乘法的命令是:xtgls。FGLS 要比“OLS+稳健标准误”处理异方差的方法更为有效,特别是在大样本的情况下。但是在更一般的情况下,“OLS+稳健标准误”比FGLS稳健,因为前者不需要估计条件方差函数的形式。
Beck and Katz (1995) 认为FGLS产生的标准误过小。为解决这一影响,他们提出了面板校正标准误(PCSE)来估计OLS的系数。在STATA中,带PCSE的pooled OLS可以由xtpcse获得。但是PCSE仅为T→∞时渐进有效的。当T/N 较小时,这一方法则不够精确。
Driscoll& Kraay (1998)提出了在N→∞的情况下渐近有效的非参数协方差矩阵估计方法,能够获得控制异方差和自相关的一致标准误,克服了PCSE在N→∞情况下不够准确的问题。在STATA中,获得Driscoll&Kraay 标准误的命令是xtscc。需要说明的是,xtscc只适用于估计pooled OLS和固定效应(组内)回归模型。
四、结论
通过以上比较分析可以看出,仅仅从方法上去比较处理异方差的方式孰优孰劣是不够的,还要结合样本情况、模型设置以及个人的追求偏好(如追求稳健或追求有效的偏好)进行选择。
推荐学习书籍
《CDA一级教材》适合CDA一级考生备考,也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校,累计已有10万+在读~
免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11