个体随机效应模型eviews

个体随机效应模型

在面板数据的计量分析中，如果解释变量对被解释变量的效应不随个体和时间变化，并且解释被解释变量的信息不够完整，即解释变量中不包含一些影响被解释变量的不可观测的确定性因素，可以将模型设定为固定效应模型，采用反映个体特征或时间特征的虚拟变量（即知随个体变化或只随时间变化）或者分解模型的截距项来描述这些缺失的确定性信息。

但是，固定效应模型也存在一定的不足。例如固定效应模型模型中包含许多虚拟变量时，减少了模型估计的自由度；实际应用中，固定效应模型的随机误差项难以满足模型的基本假设，易于导致参数的非有效估计。更为重要的是，它只考虑了不完整的确定性信息对被解释变量的效应，而未包含不可观测的随机信息的效应。为了弥补这一不足，Maddala(1971)将混合数据回归的随机误差项分解为截面随机误差分量、时间随机误差分量和个体时间随机误差分量三部分，讨论如下随机效应模型或双分量误差分解模型（1）：

yit??1???kxkit?ui?vt?wit (1)

k?2Kui~N(0,?u2)表示个体随机误差分量； vt~N(0,?v2)表示时间随机误差分量；

wit~N(0,?w2)表示个体时间（或混合）随机误差分量。

如果模型（1）中只存在截面

第30卷增刊2 岩 土 力 学 Vol.30 Supp.2 2009年12月 Rock and Soil Mechanics Dec. 2009

文章编号：1000－7598 (2009) 增刊2－0518－06

混凝土随机骨料模型尺寸效应的细观数值分析

党发宁1，梁昕宇1，田 威1，陈厚群1, 2

（1.西安理工大学 岩土工程研究所，西安 710048；2.中国水利水电科学研究院工程抗震中心，北京 100044）

摘 要：为研究混凝土材料细观不均匀性对试件的静力学性能的影响，采用不同的随机数组，通过固定骨料尺寸，改变试件尺寸的方法，建立了不同的混凝土三维数值模型，都分6步施加相同的均布载荷，来模拟骨料和混凝土试件尺寸比例变化对试件力学性能的影响，研究了骨料随机位置对混凝土试件的应变影响。计算表明，当骨料半径和试件半径的比例系数逐渐增大时，应变误差平方和减小；骨料随机位置对混凝土试

Eviews基本操作指引： 1、ADF检验

双击序列——打开序列数据窗口——View——Unit Root Test ——单位根检验对话框

（1 st difference ，即检验△X ； intercept：包含截距项 ； trend：包含趋势项）

临界值判断：如果ADF检验值小于某一显著性水平下的临界值，则序列在此显著性水平下平稳。

2、根据SIC和AC值确定VAR的滞后期 单位根检验操作的输出结果中

3、建立VAR模型

在workfile里——Quick——Estimate VAR…——对话窗

缺省的是非约束VAR，另一选择是向量误差修正模型。 给出内生变量的滞后期间。 给出用于运算的样本范围。

Endogenous要求给出VAR模型中所包括的内生变量。 Exogenous要求给出外生变量（一般包含常数项）。

结果显示中，回归系数下第一个括号中的为标准差，第二个括号中的为t值。

4、脉冲响应分析（Response of * to * Innovations）/ 方差分解（Variance Decornposition） 在进行脉冲响应函数诊断之前，需要先检验VAR模型的平稳性，用AR根图(Inverse

EVIEWS之变系数回归模型

1 变系数回归模型

前面讨论的是变截距模型，并假定不同个体的解释变量的系数是相同的，然而在现实中变化的经济结构或者不同的经济背景等不可观测的反映个体差异的因素会导致经济结构的参数随着横截面个体的变化而变化，即解释变量对被解释变量的影响要随着截面的变化而变化。这时要考虑系数随着横截面个体的变化而变化的变系数模型。

1.变系数回归模型原理

变系数模型一般形式如下：

yit??i?xit?i?uit,i?1,2,,N,t?1,2,,T（1）

其中：yit为因变量，xit为1?k维解释变量向量，N为截面成员个数，T为每个截面成员的观测时期总数。参数?i表示模型的常数项，?i为对应于解释变量的系数向量。随机误差项uit相互独立，且满足零均值、等方差的假设。

在式子（1）中所表示的变系数模型中，常数项和系数向量都是随着截面个体变化而变化，因此将该模型改写为：

yit?xit?i?uit （2）

其中：xit?(1,xit)1?(k?1)，?i?(?i,?i)'

模型的矩阵形式为：

Y?X??u （3）

其

中

：

?y1??Y??????yN??NT?1；

?yi1??y?yi??i2??????yiT?T?

第8讲 用面板数据模型预测

1．面板数据定义

时间序列数据或截面数据都是一维数据。时间序列数据是变量按时间得到的数据；截面数据是变量在固定时点的一组数据。面板数据是同时在时间和截面上取得的二维数据。面板数据也可以定义为相同截面上的个体在不同时点的重复观测数据或者称为纵向变量序列（个体）的多次测量。所以，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）。

面板数据示意图见图1。面板数据从横截面（cross section）看，是由若干个体（entity, unit, individual）在某一时点构成的截面观测值，从纵剖面（longitudinal section）看每个个体都是一个时间序列。

图1 N=15，T=50的面板数据示意图

图2是1978~2005年中国各省级地区消费性支出占可支配收入比率序列图。

图2 1978-2005年中国各省级地区消费性支出占可支配收入比率序列图(价格平减过)

136

面板数据用双下标变量表示。例如

yi t, i = 1, 2, …, N; t = 1, 2, …, T

i对应面板数据中

我国证券投资基金羊群行为的实证研究

祁斌1 袁克2 胡倩3 周春生4

（1.中国证监会，北京 100032； 2.招商银行上海分行，上海 200120；3.海通证券股份有限公司，上海 200001；4.北京大学光华管理学院，北京 100871）

摘要：国外的研究显示，发达国家市场机构投资者的羊群行为并不十分明显。作为新兴市场主体的中国机构投资者在这方面的行为特征如何呢？本文使用经典的LSV方法以及Wermers的扩展方法，对我国金融市场上以证券投资基金为代表的机构投资者交易行为进行了实证研究。结果发现，我国证券投资基金之间具有较明显的羊群行为，并具有以下特点：同时使用正负反馈操作策略；在流通盘较大和较小的股票上的羊群行为显著；成长型基金的羊群行为显著等。针对这些发现，笔者探究了羊群行为产生的原因，并提出了一些避免过度羊群行为的措施。

关键词：证券投资基金；交易行为；羊群行为；市场监管

作者简介：祁斌，中国证监会研究中心主任。袁克，博士，招商银行上海分行高级研究员。胡倩，博士，海通证券股份有限公司高级研究员。周春生，北京大学光华管理学院教授。

中图分类号：F830.39 文献标识码：A

Abstract: The existing studi

最常见的随机过程或随机模型

主要内容Brown运动或 运动或Wiener过程 运动或 过程 二项过程 Poission过程 过程 白噪声过程 自回归过程 移动平均过程 混合自回归移动平均过程 利率期限结构或均值回复模型 ARCH类模型 类模型2

二项过程1979年Cox、Ross和Rubinstein利用二项过程 年 、 和 利用二项过程 提出了二叉树期权定价模型， 提出了二叉树期权定价模型，用以构造股票价格运 动过程，进行股票期权定价分析。 动过程，进行股票期权定价分析。 目前， 目前，二叉树模型已被广泛应用于金融资产定价 领域， 领域，并为直观理解金融资产价格的复杂随机行为 提供了最佳认识工具， 提供了最佳认识工具，为金融计算提供了可行的数 值方法。 值方法。

二项分布是指随机变量满足概率分布

P (ξ = k ) = C p (1- q )

k n

k

n- k

其中， 其中，k=1,2, …,0<p<1,q=p-1。 , 。 二项过程实质上是将二项分布作为一个过程来描 述金融资产价格变化的。

假设股票价格在t时刻为 假设股票价格在 时刻为S(t),当时间变化到 时刻为 ， t+ t时，价格要么以概率 从S上涨到 上涨到uS(u >1),

Panel Data模型的EViews操作过程

两种模式：

Ⅰ. 关于Panel工作文件； Ⅱ. 关于Pool对象。

数据的预处理

1.在EXCEL文件中，将每个变量各年的原始数据按照年份顺序排成一列，称之为堆积数据（见表“汇总0”）。

2．输入截面单元的标识（表示地区的符号，前面加_；如：_HB、_NMG等）。 3．将数据表按照时间分类（即排序，见表“汇总”）。

Ⅰ. 关于Panel工作文件的操作过程

案例1：我国农村居民消费函数（2000-2010年，27个省市数据，工作文件：NXF） 一、输入数据

1、创建Panel工作文件

选择File / New / Workfile，在出现的创建工作文件对话框中： （1）在文件结构类型中，选择“平衡面板（Balanced Panel）”； （2）输入起始、终止期，截面单元个数。

- 1 -

工作文件中将生成分别表示截面标识和时期标识的两个序列： Crossid — 截面标识 dateid — 时期标识

2．更改截面标识（可以省略）

序列crossid中是以数字1、2、?标记截面标识，为了便于区分，可以重新定义一个字符串序列。

（1）点击object / New object，选择serie

本教学视频由合工大经济学院张王飞制作，请尊重作者的知识产权，购买后使用，勿用于商业用途，或上传至网络！谢谢

随机前沿模型（SFA）原理和软件实现

一、SFA原理

在经济学中，常常需要估计生产函数或者成本函数。生产函数f(x)的定义为：在给定投入x情况下的最大产出。但现实中的产商可能达不到最大产出的前沿，为了，假设产商i的产量为：

yi?f(xi,?)?i （1） 其中，?为待估参数；?i为产商i的水平，满足0??i?1。如果?i=1，则产商i正好处于效率前沿。同时，考虑生产函数还会受到随机冲击，故将方程（1）改写成：

yi?f(xi,?)?ievi （2）

其中，evi?0为随机冲击。方程（2）意味着生产函数的前沿f(xi,?)ev是

i随机的，故此类模型称为“随机前沿模型”（stochastic frontier model）。随机前沿模型最早由Aigner, Lovell and Schmidt(1977)提出，并在实证领域运用广泛，Kumbhakar and Lovell(2000)为该领

本教学视频由合工大经济学院张王飞制作，请尊重作者的知识产权，购买后使用，勿用于商业用途，或上传至网络！谢谢

随机前沿模型（SFA）原理和软件实现

一、SFA原理

在经济学中，常常需要估计生产函数或者成本函数。生产函数f(x)的定义为：在给定投入x情况下的最大产出。但现实中的产商可能达不到最大产出的前沿，为了，假设产商i的产量为：

yi?f(xi,?)?i （1） 其中，?为待估参数；?i为产商i的水平，满足0??i?1。如果?i=1，则产商i正好处于效率前沿。同时，考虑生产函数还会受到随机冲击，故将方程（1）改写成：

yi?f(xi,?)?ievi （2）

其中，evi?0为随机冲击。方程（2）意味着生产函数的前沿f(xi,?)ev是

i随机的，故此类模型称为“随机前沿模型”（stochastic frontier model）。随机前沿模型最早由Aigner, Lovell and Schmidt(1977)提出，并在实证领域运用广泛，Kumbhakar and Lovell(2000)为该领