面板数据模型

8.1

简介

面板数据，简言之是时间序列和截面数据的混合。严格地讲是指对一组个体（如居民、国

家、公司等）连续观察多期得到的资料。所以很多时候我们也称其为“追踪资料”。近年来，

由于面板数据资料获得变得相对容易，使得其应用范围也不断扩大。而关于面板数据的计量理

论也几乎涉及到了以往截面分析和时间序列分析中所有可能出现的主题，如近年来发展出的

面板向量自回归模型（Panel VAR）、面板单位根检验（Panel Unit Root test ）、面板协整分析（Panel Cointegeration）、门槛面板数据模型（Panel Threshold）等，都是在现有截面分析和时

间序列分析中的热点主题的基础上发展起来的。

采用面板数据模型进行分析的主要目的在于两个方向：一是控制不可观测的个体异质性；

二是描述和分析动态调整过程，处理误差成分。

使用面板数据主要有以下几方面的优点：

便于控制个体的异质性。比如，我们在研究全国

30个省份居民人均消费青岛啤酒的数量

时。可以选取居民的收入、当地的啤酒价格、上一年的啤酒消费量等变量作为解释变量。

但同时我们认为民族习惯、

1风俗文化、

2广告投放等因素也会显著地影响居民的啤酒消

费量。对于特定的个体而言，前两种因素不会随时间的推移而有明显的变化，通常称为个

体效应。而广告的投放往往通过电视或广播，我们可以认为在特定的年份所有省份所接受

的广告投放量是相同的，通常称为时间效应。这些因素往往因为难以获得数据或不易衡量

而无法进入我们的模型，在截面分析中者往往会引起遗漏变量的问题。而面板数据模型的

主要用途之一就在于处理这些不可观测的个体效应或时间效应。

包含的信息量更大，降低了变量间共线性的可能性，增加了自由度和估计的有效性。

便于分析动态调整。

1如宁夏属于回族自治区，那里的回民因为信仰伊斯兰教，所以不允许饮酒的，而生活在宁夏的许多汉民也往往

因为自己的回民朋友无法饮酒而无形中减少了啤酒的消费量。

2如中国南部地区啤酒的消费量比较大，而北方很多地区只有在夏天才会饮用较多的啤酒，冬天他们一般是只喝

白酒的。