怎麼判斷面板數據顯著性

Ⅰ 面板數據模型估計一般要做哪些步驟

步驟一：分析數據的平穩性（單位根檢驗）。

按照正規程序，面板數據模型在回歸前需檢驗數據的平穩性。李子奈曾指出，一些非平穩的經濟時間序列往往表現出共同的變化趨勢，而這些序列間本身不一定有直接的關聯，此時，對這些數據進行回歸，盡管有較高的R平方，但其結果是沒有任何實際意義的。

步驟二：協整檢驗或模型修正。

情況一：如果基於單位根檢驗的結果發現變數之間是同階單整的，那麼我們可以進行協整檢驗。協整檢驗是考察變數間長期均衡關系的方法。

所謂的協整是指若兩個或多個非平穩的變數序列，其某個線性組合後的序列呈平穩性。此時我們稱這些變數序列間有協整關系存在。因此協整的要求或前提是同階單整。

步驟三：面板模型的選擇與回歸。

面板數據模型的選擇通常有三種形式：

一種是混合估計模型（Pooled Regression Model）森納。如果從時間上看，不同個體之間不存在顯著性差異；從截面上看，不同截面之間也不存在顯著性差異，那麼就可以直接把面板數據混合在一起用普通最小二乘法（OLS）估計參數。

一種是固定效應模型（Fixed Effects Regression Model）。如果對於不同的截面或不同的時間序列，模型的截距不同，則可以採用在模型中添加虛擬變數的方法估計回歸參數。

一種是隨機效應模型。

(1)怎麼判斷面板數據顯著性擴展閱讀：

面攔陸板數據模型可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5種方法進行面板單位根檢驗。

其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分簡春頃別指Levin, Lin & Chu t* 統計量、Breitung t 統計量、lm Pesaran & Shin W 統計量。

ADF- Fisher Chi-square統計量、PP-Fisher Chi-square統計量、Hadri Z統計量，並且Levin, Lin & Chu t* 統計量、Breitung t統計量的原假設為存在普通的單位根過程。

lm Pesaran & Shin W 統計量、ADF- Fisher Chi-square統計量、PP-Fisher Chi-square統計量的原假設為存在有效的單位根過程， Hadri Z統計量的檢驗原假設為不存在普通的單位根過程。

Ⅱ stata對面板數據做霍斯曼檢驗，結果顯示用固定效應模型，但解釋變數不顯著，用OLS做顯著，怎麼辦

stata對面板數據做霍斯曼檢驗，結果顯示用固定效應模型，但解釋變數不顯著，用OLS做顯著，解決：豪斯曼檢驗結果的P值小於0.01，即拒絕原假設，表明應該採用固定效應。

豪斯曼檢驗的結果是告訴固定效應和隨機效應在系數估計上出現了顯著差異，因此固定效應比隨機效應好但是不是說隨機效應就不能用有些時候為了做特殊的分析，固定效應是實現不了的，只要檢驗中隨機效應顯著就可以使用隨機效應。

Stata軟體

可以透過網路實時更新每天的最新功能，更可以得知世界各地的使用者對於STATA公司提出的問題與解決之道。使用者也可以透過Stata Journal獲得許許多多的相關訊息以及書籍介紹等。另外一個獲取龐大資源的管道就是Statalist，它是一個獨立的listserver，每月交替提供使用者超過1000個訊息以及50個程序。