面板數據對股票

① 關於金融危機對中國股市的影響

摘 要：通過對2005年至2008年數據的實證分析，中國股市財富效應的不對稱性表現在股市上升期的貨幣幻覺導致的消費增長，股市下行時對消費的影響並不顯著。居民投資和消費行為受到諸多因素的影響，一方面居民主要通過銀行儲蓄與證券投資之間轉換來配置財富，另一方面在心理預期和行為偏差的共同作用下根據證券市場運行趨勢調整消費。
關鍵詞：財富效應；消費；行為金融；心理預期

2006年以來股票市場發展迅速，股票投資成為除房地產以外居民最熱衷的投資渠道，一時間全國颳起炒股熱。而隨著國內緊縮的宏觀政策效果的逐漸顯現，加上外部次貸危機引發的全球金融動盪，股指在一年時間暴跌超過60%!從最近公布的宏觀經濟數據可以看出隨著金融危機影響的深入，實體經濟已經受到了巨大的沖擊，其中就包括社會消費增長速度的下降。本文主要研究中國股票市場股票價格波動通過財富效應對居民消費的影響，主要對財富效應的不對稱性進行實證分析，結合行為金融相關理論對中國居民消費-儲蓄行為，投資行為進行分析並解釋這種不對稱性。

1 國內外股市財富效應研究綜述

財富效應又稱為貨幣余額效應或者庇古效應，指在其他條件不變的情況下，貨幣余額的變化將會引起總消費開支的變化。西方學者用股市的漲跌來解釋歷史不同時期消費水平的劇烈變動獲得了成功。國外學者用微觀的家庭調研法如Starr-McCluer； Maki and Palumbo(200和宏觀時間序列和面板數據回歸分析法如Ludvigson and Stendel；Mehra，Y.P.對股票資產的邊際消費傾向研究得出的結論認為財富效應是存在的，盡管其效應的大小並不統一。當然，股市漲跌並不一定能解釋消費的波動，許多學者認為財富效應的發揮需要某些特定的條件。
我國內需疲弱的現象長期存在。國內學者試圖論證發展股市是否能夠幫助提升內需上也進行了財富效應的實證研究。雖然目前對財富效應是否存在尚無統一的結論，但一致認為我國由於股市規模較小，投資者參與不深，上市公司質量不高等因素導致中國股市弱財富效應對中國股市的弱財富效應的解釋有多種：如以股票市值佔GDP比重以及股票資產占居民總資產比重為指標衡量的股市規模有限，李學峰、徐輝提出上市公司的質量是股市財富效應正常發揮的根基性條件。

2 研究假設和模型闡述

通過對個人投資行為及消費行為進行分析，假設期初個體擁有資產為At-1，該資產組合中包含實物資產(如住房)，金融資產，如儲蓄和股票(暫不考慮人力資本和債券等其他金融工具)；當期獲得勞動收入⊿Yt 和其他收益，其中包括股票紅利派發⊿DIVt及資本增值⊿Pt*n，由於儲蓄的主要目的是保值且我國存款利率較低暫不考慮儲蓄的利息收入。根據永久收入假說及生命周期理論，個人對下一期的消費規劃取決於其一生的財富水平，除非財富水平永久性的增加，否則不會改變長期的邊際消費傾向。由於現實中存在流動性約束和消費者的短視行為的存在使得跨期消費安排受到限制。綜合考慮以上因素，我們假定個人的消費行為受到當期的收入波動及資本收益的影響，對收入的安排主要用於消費(C)和儲蓄(S)，儲蓄在這里指其廣義的儲蓄，只要不用於消費的資金和資產稱為儲蓄，包括對金融資產的投資。股票投資的資金直接來源於儲蓄。
生命周期-永久收入模型(LC-PIH)假說雖然在西方經濟中得到了較好的驗證，然而在資本市場不完善，消費信貸發展緩慢的中國經濟中，該模型不能完全解釋中國居民的消費行為。本文在修正後的消費方程的基礎上建立財富效應的檢驗模型。
ΔCt=θ+β1ΔYdt+β2ΔIndext+∈t(1)
其中：ΔC居民消費變動；
ΔYd表示可支配收入變動；
Δ股票市場指數變動。

② 面板數據模型的定義和操作方法

(第3組 宏現經濟增長與發展，6686個字元)
中國能源、環境與經濟增長基於面板數據的計量分析
王洲洋
（河北經貿大學數統學院，石家莊，050061）
摘 要
本文運用面板數據的分析方法對我國各地區的能源消費、環境污染與經濟增長進行了實證研究。研究表明：能源消費、環境污染與經濟增長變數均為不平穩變數，但它們之間存在著長期的協整關系。如果能源供應每增加1%，GDP就會增加0.269%；環境污染每減少1%，GDP就能增加0.043%。
關鍵詞 經濟增長 面板協整檢驗 Hausman檢驗
Abstract
This paper assesses the relationship among the energy consumption, environment pollution and economic growth in all the regions of China by the method of Panel Data. Research results indicate that the energy consumption, environment pollution and economic growth are not balanced variables，but they have the Co-integration relations in a long run.If the energy supply increases 1%,the economic growth will increase 0.269%;And if the environment pollution decreases 1%,the economic growth will increase 0.043%.
Key words : economical growth Panel data Co-integration Test Hausman-test
一、引言
自從進入工業化時期以來，世界上許多國家為了追求經濟的快速增長和物質產品的極大豐富，對能源進行了大規模的開發和利用，而能源的逐漸枯竭及能源帶來的生態環境問題，都將嚴重阻礙經濟的發展。環境作為經濟、社會發展的物質條件，作為經濟發展的基礎，既可以直接地促進經濟的發展，也可能成為經濟的發展的阻力，環境污染已成為危害人們健康、制約經濟和社會發展的重要因素之一。如今能源與環境問題已成為制約一個國家經濟增長的瓶頸，而這種現象在我國尤為突出。不斷開發新能源，開發可再生能源，提高能源利用效率，保護環境將對我國經濟發展起到重要作用。黨的十七大報告再次強調要加強能源資源節約和生態環境保護，並指出，加強能源資源節約和環境環境保護，增強可持續發展能力，堅持節約資源和保護環境的基本國策，關系人民群眾切身利益和中華民族生存發展。因此，對於我國能源消費、環境保護和經濟發展的關系研究具有十分重要的理論價值和現實意義。
近年來我國的能源、環境問題已成為被關注的熱點，許多學者從不同的角度進行了大量的分析，得出了許多有用的啟示。如林伯強[1]（2003）通過協整分析考察了我國能源需求與經濟增長的關系；王逢寶[2]等（2006）運用線性回歸的方法對區域能源、環境與經濟增長進行了研究。馮秀[3]（2006）則探討了我國能源利用現狀及能源、環境與經濟增之長的關系。林師模等[4]（2006）研究了能源技術創新對我國經濟，環境與能源之間的關系。目前大多的文獻是用時間序列的數據，或是從總量的角度來分析全國或某個地區的能源消費、環境污染與經濟增長之間的關系，但由於我國幅員遼闊，各地區間的經濟、能源消費與環境方面都存在著巨大的差異，因而不能把各個地區的經濟、能源消費與環境污染視為一個同質的整體，且運用時間序列數據往往很難解釋它們間的內在聯系。
本文使用我國省級的面板數據，運用面板數據的分析方法對我國各地區的能源消費、環境污染與經濟增長進行實證分析，從而來揭示我國能源消費、環境污染與經濟增長之間的內在聯系。
二、研究方法
面板數據分析方法是最近幾十年來發展起來的新的統計方法，面板數據可以克服時間序列分析受多重共線性的困擾,能夠提供更多的信息、更多的變化、更少共線性、更多的自由度和更高的估計效率，而面板數據的單位根檢驗和協整分析是當前最前沿的領域之一。在本文的研究中，我們首先運用面板數據的單位根檢驗與協整檢驗來考察能源消費、環境污染與經濟增長之間的長期關系，然後建立計量模型來量化它們之間的內在聯系。
面板數據的單位根檢驗的方法主要有 Levin,Lin and CHU(2002)提出的LLC檢驗方法[5]。Im,Pesearn,Shin(2003)提出的IPS檢驗[6] , Maddala和Wu(1999)，Choi（2001）提出的ADF和PP檢驗[7]等。面板數據的協整檢驗的方法主要有Pedroni[8] (1999，2004)和Kao[9](1999)提出的檢驗方法，這兩種檢驗方法的原假設均為不存在協整關系，從面板數據中得到殘差統計量進行檢驗。Luciano(2003)中運用Monte Carlo模擬[10]對協整檢驗的幾種方法進行比較，說明在T較小（大）時，Kao檢驗比Pedroni檢驗更高（低）的功效。具體面板數據單位根檢驗和協整檢驗的方法見參考文獻[5-10]。
三、實證分析
1.指標選取和數據來源
經濟增長：本文使用地區生產總值 ，以1999年為基期，根據各地區生產總值指數折算成實際 ，單位：億元。
能源消費：考慮到近年來我國能源消費總量中，煤炭和石油供需存在著明顯低估，而電力消費數據相當准確。因此使用電力消費更能准確反映能源消費與經濟增長之間的內在聯系（林伯強，2003）。所以本文使用各地區電力消費量 作為能源消費量，單位：億千瓦小時。
環境污染：污染物以氣休、液體、固體形態存在，本文選取工業廢水排放量 作為環境污染的量化指標，單位：萬噸。
本文採用1999-2006年全國30個省（直轄市，自治區）的地區生產總值 、電力消費量 和工業廢水排放量 的數據構建面板數據集。30個省（直轄市，自治區）包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北、湖南、海南、廣西、重慶、四川、貴州、雲南、陝西、西藏、甘肅、青海、寧夏、新疆，由於西藏數據不全故不包括在內。數據來源於《中國統計年鑒2000-2007》。為了消除變數間可能存在的異方差，本文先對 、 和 進行自然對數變換。
記 , , .
2．面板數據的單位根檢驗
為了避免單一方法可能存在的缺陷，本文使用LLC檢驗、IPS檢驗、Fisher-ADF檢驗和Fisher-PP檢驗四種方法來進行面板數據的單位根檢驗。利用Eviews 6.0軟體(下同)，檢驗結果見表1。
表1 ， ， 的面板單位根檢驗
變 量 LLC p值 IPS p值 Fisher-ADF p值 Fisher-PP p值

4.21 1.00 5.78 1.00 16.95 1.00 7.67 1.00

6.35 1.00 10.24 1.00 5.37 1.00 9.45 1.00

-2.91 0.0018 1.26 0.89 56.97 0.058 90,56 0.0066

-14.89 0.00 -3.17 0.0008 103.88 0.0004 86.42 0.0144

-21.99 0.00 -5.80 0.00 143.77 0.00 146.44 0.00

-12.21 0.00 -4.52 0.00 135.51 0.00 184.48 0.00

從表1可以看出， ， 在5%水平不平穩，經一階差分後 ， 均在5%水平拒絕原假設， 的LLC檢驗在5%水平不顯著，但其它三種檢驗方法均顯著， 的四種檢驗方法均在5%水平下拒絕原假，所以我們認為 ， ， 均為一階差分平穩變數。
3．面板數據的協整檢驗
對 ， ， 的協整關系進行Pedroni協整檢驗和Kao協整檢驗。其檢驗結果見表2和表3。
表2 Pedroni協整檢驗
統計量 p值
Panel v統計量 -1.145 0.0056
Panel rho統計量 2.588 0.0277
Panel PP統計量 -1.543 0.0013
Panel ADF統計量 -3.811 0.0000
Group rho統計量 5.088 0.0000
Group PP統計量 -2.559 0.0151
Group ADF統計量 -6.985 0.0000

表3 Kao協整檢驗
t統計量 p值
ADF -5.873 0.0000

由表2和表3的面板協整檢驗結果可知： Pedroni協整檢驗的七個統計量與Kao協整檢驗的ADF統計量均在5%顯著性水平下拒絕原假設，表明 ， ， 之間存在顯著的協整關系。
4.模型檢驗
(1) 固定效應模型顯著性檢驗
固定效應模型顯著性檢驗是檢驗模型中固定效應系數 是否有差異，即原假設為 。其檢驗結果如表4所示：
表4 固定效應模型的顯著性檢驗
固定效應顯著性檢驗 統計量 自由度 p值
Cross-section F 374.484 (29,208) 0.0000
Cross-section Chi-square 953.827 29 0.0000

由表4固定效應模型的顯著性檢驗結果可知，p值小於5%，因此拒絕固定效應系數 相同的原假設，所以我們選取固定效應模型比較合適。
(2)Hausman檢驗
Hausman檢驗的原假設是隨機效應模型的系數與固定效應模型的系數沒有差別，如果接受原假設，表明應選擇隨機效應模型，否則就應該選擇固定效應模型。檢驗結果在表4和表5中列出。
表5 Hausman檢驗
Chi-Sq. 統計量 Chi-Sq. Statistic自由度 p值
Cross-section random 117.766 2 0.000

表6 固定效應與隨機效應檢驗比較
變數 固定效應 隨機效應 兩種效應方差之差 p值

0.269 0.279 0.000002 0.0000

-0.0434 -0.017 0.000007 0.0000

從表5中Hausman檢驗結果與表6中固定效應與隨機效應檢驗比較可以看出，p值在5%水平下拒絕原假設，模型中被忽視的效應與模型中的兩個解釋變數相關，所以我們認為固定效應模型是更好的選擇。
5．模型的估計
根據上面的分析我們採用固定效應模型對模型進行估計，模型估計結果如下式所示：
(1)
(44.647) (20.341) (-3.097)
[0.0000] [0.0000] [0.0022]
小括弧中是t統計量，中括弧中是相應的p值。
模型調整後的 為0.996，F值為2484.3，殘差平方和為0.599，各個系數均通過t檢驗，模型擬合的相當不錯。
固定效應系數 見表7所示：
表7各地區的固定效應系數
地區

地區

地區

北京 0.207 浙江 0.792 海南 -1.044
天津 -0.268 安徽 0.283 重慶 -0.222
河北 0.582 福建 0.425 四川 0.440
山西 -0.351 江西 -0.00158 貴州 -0.808
內蒙古 -0.454 山東 1.034 雲南 -0.121
遼寧 0.473 河南 0.623 陝西 -0.228
吉林 -0.138 湖北 0.429 甘肅 -0.815
黑龍江 0.251 湖南 0.424 青海 -1.962
上海 0.555 廣東 1.139 寧夏 -1.908
江蘇 1.058 廣西 -0.0147 新疆 -0.380

式(1)表明，GDP與能源消費、環境污染之間存在著顯著的長期均衡關系，從全國的平均水平來看，能源消費的彈性系數是0.269,也就是能源供應每增加1%，GDP就會增加0.269%；環境污染的彈性系數是-0.043,即環境污染每減少1%，GDP就能增加0.043%，這說明GDP與環境污染存在著反向的關系，與我們普遍認為的保護環境能促進經濟健康快速發展的觀點相一致。
四、主要結論
本文通過採用比較前沿的面板單位根檢驗、面板協整檢驗等分析方法，對1999年到2006年我國能源消費、環境污染與經濟增長的省級面板數據進行了實證研究。研究表明：我國能源消費、環境污染與經濟增長均為不平穩過程，這主要是因為我國各地區由於政策、環境等多種原因，使得各地區間存在著很大的差異，所以不同的地區表現出非一致性，但不同地區的能源消費、環境污染與經濟增長之間都存在著顯著的協整關系。能源和環境作為經濟持續增長的要素，對我國經濟發展有著重大的影響作用。能源供應與經濟增長存在著正向的關系，經濟增長對能源有很強的信賴性，而環境污染與經濟增長存在著反向的關系，環境污染程度的加劇將會嚴重阻礙經濟的增長。從全國平均水平來看，能源供應每增加1%，GDP將增加0.269%；環境污染每減少1%，GDP將增加0.043%。因此堅持節約能源、提高能源使用效率和保護環境將對我國經濟的持續、快速、健康發展具有極其重要的意義。
需要指出的是，由於數據方面的原因，本文使用的面板數據時間跨度並不長(1999-2006)，得到的長期關系有可能受到質疑 (DimitrisK.Christopoulos and Efthvmios G.Tsionas,2004) [11]。本文使用各地區電力消費量來代替能源消費總量，工業廢水排放量來反映環境污染程度，但它們都只反映了能源消費、環境污染程度的一個方面，所以指標的選取並不全面，應該將煤、石油等能源的消費以及大氣污染、固體廢棄物污染等全部納入指標體系，這樣指標體系才更加全面、更加合理，這有待我們今後更加深入的研究。

參考文獻:
[1]林伯強：《電力消費與中國經濟增長:基於生產函數的研究》[J]，《管理世界》2003年第11期。
[2]王逢寶、張磊、秦貞蘭：《能源、環境與區域經濟增長的計量分析》[J]，《天津財貿管理幹部學院學報》2006年第3期。
[3]馮秀、丁勇：《可持續發展下中國的能源、環境與經濟》[J]，《北方經濟》2006年第2期。
[4]林師模、蘇漢邦、林幸樺：《能源技術創新對經濟、能源及環境》的影響[J]《東莞理工學院學報》2006年第4期。
[5]Levin.A.,C.F.Lin Unit Root Tests in Panel Data:Asymptotic and Finite Sample Properties[C].UC San Diego.Working Paper,1992.92-93.
[6]Im K.S.,M.H.Pesaran and Y.Shin.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics 2003,115:53-74.
[7]Maddala G.S.,Wu Shaowen,1999.Acomparative Study of Unit Root Tests with Panel Data and a New Simple Test [J].Oxford Bulletin of Economics and Statistics,1999,61:631-652.
[8]Luciano,G..On the Power of Panel Cointegration Tests:A Monte Carlo Comparison[J].Economics Letters,2003,80:105-111.
[9]Pedroni,P.Critical Value for Cointegration Tests in Heterogeneous Panels with Multiple Regressors[J].Oxford Bulletin of Economics and Statistics,1999,61:653-678.
[10]Kao,C,Spurious Regression and Resial-based Tests for Cointetration in Panel Data[J].Journal of Econometrics,1999,90:1-44.
[11]Dimitris K. Christopoulos,Efthymios G.Tsionas,2004,Financial development and economic growth: evidence from panel.

③ 用stata做面板數據的回歸，出現了regress y x1 x2 x3 x4 x5 no observations r(2000); 怎麼回事求高手幫

你分析的是回歸分析
在stata中面板數據有特別的前綴：XT
面板回歸最基礎命令是XTREG
你用的REG不是面板數據的回歸分析，而且沒有觀測值
所以提示no observations r(2000)

④ 在研究資本結構影響因素時為什麼要選擇面板數據

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。這種情況稱為稱為虛假回歸或偽回歸（spurious regression）。他認為平穩的真正含義是：一個時間序列剔除了不變的均值（可視為截距）和時間趨勢以後，剩餘的序列為零均值，同方差，即白雜訊。因此單位根檢驗時有三種檢驗模式：既有趨勢又有截距、只有截距、以上都無。因此為了避免偽回歸，確保估計結果的有效性，我們必須對各面板序列的平穩性進行檢驗。而檢驗數據平穩性最常用的辦法就是單位根檢驗。首先，我們可以先對面板序列繪制時序圖，以粗略觀測時序圖中由各個觀測值描出代表變數的折線是否含有趨勢項和（或）截距項，從而為進一步的單位根檢驗的檢驗模式做准備。單位根檢驗方法的文獻綜述：在非平穩的面板數據漸進過程中,Levin andLin(1993) 很早就發現這些估計量的極限分布是高斯分布,這些結果也被應用在有異方差的面板數據中,並建立了對面板單位根進行檢驗的早期版本。後來經過Levin et al. (2002)的改進,提出了檢驗面板單位根的LLC 法。Levin et al. (2002) 指出,該方法允許不同截距和時間趨勢,異方差和高階序列相關,適合於中等維度(時間序列介於25～250 之間,截面數介於10～250 之間) 的面板單位根檢驗。Im et al. (1997) 還提出了檢驗面板單位根的IPS 法,但Breitung(2000) 發現IPS 法對限定性趨勢的設定極為敏感,並提出了面板單位根檢驗的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板單位根檢驗方法。
由上述綜述可知，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。有時，為了方便，只採用兩種面板數據單位根檢驗方法，即相同根單位根檢驗LLC（Levin-Lin- Chu）檢驗和不同根單位根檢驗Fisher-ADF檢驗（註：對普通序列（非面板序列）的單位根檢驗方法則常用ADF檢驗），如果在兩種檢驗中均拒絕存在單位根的原假設則我們說此序列是平穩的，反之則不平穩。如果我們以T（trend）代表序列含趨勢項，以I（intercept）代表序列含截距項，TI代表兩項都含，N（none）代表兩項都不含，那麼我們可以基於前面時序圖得出的結論，在單位根檢驗中選擇相應檢驗模式。但基於時序圖得出的結論畢竟是粗略的，嚴格來說，那些檢驗結構均需一一檢驗。具體操作可以參照李子奈的說法：ADF檢驗是通過三個模型來完成，首先從含有截距和趨勢項的模型開始，再檢驗只含截距項的模型，最後檢驗二者都不含的模型。並且認為，只有三個模型的檢驗結果都不能拒絕原假設時，我們才認為時間序列是非平穩的，而只要其中有一個模型的檢驗結果拒絕了零假設，就可認為時間序列是平穩的。此外，單位根檢驗一般是先從水平（level）序列開始檢驗起，如果存在單位根，則對該序列進行一階差分後繼續檢驗，若仍存在單位根，則進行二階甚至高階差分後檢驗，直至序列平穩為止。我們記I(0)為零階單整，I(1)為一階單整，依次類推，I(N)為N階單整。
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。但也有如下的寬限說法：如果變數個數多於兩個，即解釋變數個數多於一個，被解釋變數的單整階數不能高於任何一個解釋變數的單整階數。另當解釋變數的單整階數高於被解釋變數的單整階數時，則必須至少有兩個解釋變數的單整階數高於被解釋變數的單整階數。如果只含有兩個解釋變數，則兩個變數的單整階數應該相同。也就是說，單整階數不同的兩個或以上的非平穩序列如果一起進行協整檢驗，必然有某些低階單整的，即波動相對高階序列的波動甚微弱（有可能波動幅度也不同）的序列，對協整結果的影響不大，因此包不包含的重要性不大。而相對處於最高階序列，由於其波動較大，對回歸殘差的平穩性帶來極大的影響，所以如果協整是包含有某些高階單整序列的話（但如果所有變數都是階數相同的高階，此時也被稱作同階單整，這樣的話另當別論），一定不能將其納入協整檢驗。
協整檢驗方法的文獻綜述：(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協整的方法,這種方法零假設是沒有協整關系,並且利用靜態面板回歸的殘差來構建統計量。(2)Pedron(1999)在零假設是在動態多元面板回歸中沒有協整關系的條件下給出了七種基於殘差的面板協整檢驗方法。和Kao的方法不同的是,Pedroni的檢驗方法允許異質面板的存在。(3)Larsson et al(2001)發展了基於Johansen(1995)向量自回歸的似然檢驗的面板協整檢驗方法，這種檢驗的方法是檢驗變數存在共同的協整的秩。我們主要採用的是Pedroni、Kao、Johansen的方法。通過了協整檢驗，說明變數之間存在著長期穩定的均衡關系，其方程回歸殘差是平穩的。因此可以在此基礎上直接對原方程進行回歸，此時的回歸結果是較精確的。這時，我們或許還想進一步對面板數據做格蘭傑因果檢驗（因果檢驗的前提是變數協整）。但如果變數之間不是協整（即非同階單整）的話，是不能進行格蘭傑因果檢驗的，不過此時可以先對數據進行處理。引用張曉峒的原話，「如果y和x不同階，不能做格蘭傑因果檢驗，但可通過差分序列或其他處理得到同階單整序列，並且要看它們此時有無經濟意義。」 下面簡要介紹一下因果檢驗的含義：這里的因果關系是從統計角度而言的，即是通過概率或者分布函數的角度體現出來的：在所有其它事件的發生情況固定不變的條件下，如果一個事件X的發生與不發生對於另一個事件Y的發生的概率（如果通過事件定義了隨機變數那麼也可以說分布函數）有影響，並且這兩個事件在時間上又有先後順序（A前B後），那麼我們便可以說X是Y的原因。考慮最簡單的形式，Granger檢驗是運用F-統計量來檢驗X的滯後值是否顯著影響Y（在統計的意義下，且已經綜合考慮了Y的滯後值；如果影響不顯著，那麼稱X不是Y的「Granger原因」（Granger cause）；如果影響顯著，那麼稱X是Y的「Granger原因」。同樣，這也可以用於檢驗Y是X的「原因」，檢驗Y的滯後值是否影響X（已經考慮了X 的滯後對X自身的影響）。 Eviews好像沒有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test。說明Eviews是無法對面板數據序列做格蘭傑檢驗的，格蘭傑檢驗只能針對序列組做。也就是說格蘭傑因果檢驗在Eviews中是針對普通的序列對(pairwise)而言的。你如果想對面板數據中的某些合成序列做因果檢驗的話，不妨先導出相關序列到一個組中(POOL窗口中的Proc/Make Group)，再來試試。
情況二：如果如果基於單位根檢驗的結果發現變數之間是非同階單整的，即面板數據中有些序列平穩而有些序列不平穩，此時不能進行協整檢驗與直接對原序列進行回歸。但此時也不要著急，我們可以在保持變數經濟意義的前提下，對我們前面提出的模型進行修正，以消除數據不平穩對回歸造成的不利影響。如差分某些序列，將基於時間頻度的絕對數據變成時間頻度下的變動數據或增長率數據。此時的研究轉向新的模型，但要保證模型具有經濟意義。因此一般不要對原序列進行二階差分，因為對變動數據或增長率數據再進行差分，我們不好對其冠以經濟解釋。難道你稱其為變動率的變動率？
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）。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（Random Effects Regression Model）。如果固定效應模型中的截距項包括了截面隨機誤差項和時間隨機誤差項的平均效應，並且這兩個隨機誤差項都服從正態分布，則固定效應模型就變成了隨機效應模型。在面板數據模型形式的選擇方法上，我們經常採用F檢驗決定選用混合模型還是固定效應模型，然後用Hausman檢驗確定應該建立隨機效應模型還是固定效應模型。檢驗完畢後，我們也就知道該選用哪種模型了，然後我們就開始回歸：在回歸的時候，權數可以選擇按截面加權（cross- section weights）的方式，對於橫截面個數大於時序個數的情況更應如此，表示允許不同的截面存在異方差現象。估計方法採用PCSE（Panel Corrected Standard Errors，面板校正標准誤）方法。Beck和Katz(1995)引入的PCSE估計方法是面板數據模型估計方法的一個創新，可以有效的處理復雜的面板誤差結構，如同步相關，異方差，序列相關等，在樣本量不夠大時尤為有用。

⑤ 急求翻譯成英語！！！！！特別著急！！！！

In China the stock market, investors initially to retail investors, the speculative atmosphere is relatively heavy, caused the sharp fluctuations in the market, did not play the role of social resource allocation optimization. In order to rece the market fluctuation, regulatory considerations into development to securities investment funds on behalf of the institutional investors, securities investment funds can hope that by virtue of their own professional advantage, capital and information three, to the value of the investment and the introction of the concept of rational investment market, seek the return value, reces the stock market volatility, the stability of the stock market, so that securities market to better serve for hypostatic economy, this is the financial supervision of vigorously developing securities investment fund 's original purpose. With securities investment fund large-scale market, market volatility is it right? Reces? This article mainly from the securities investment fund positions, behavior and fluctuation of stock price an empirical study on the relationship between the conclusion of the article, hope to the healthy and continuous development of China's securities market provides some reference suggestions, have very real direct sense.In this paper, firstly the related study on this issue from both theoretical and empirical perspectives are reviewed, understood at present to this problem did not draw the same conclusion, debate is still ongoing. Then on the securities investment fund transactions appear short-sighted behavior, herding effect, positive feedback trading strategy as well as the manipulation of a series of theory are discussed, based on the above theoretical analysis, pointed out that securities investment fund positions on the medium and small investors have a detrimental effect, did not play a stabilizing role of the market. Combined with the actual situation of our securities business, respectively, considering the blue-chip market and small and medium-sized market shares characteristics, as well as the investor's risk preference, a careful analysis of the securities investment fund in China s stock market in the role, respectively, put forward overall hypothesis: our funds behavior did not play a stabilizing role of the market and the indivial two hypotheses: fund holding blue chips to stabilize stock price effects, but with small and medium-sized stock market but increase the volatility of stock price.In this paper, the whole proposed hypotheses, using time series data to test empirically, by regression analysis method, by using the method of least squares to draw the correlation coefficient, the results showed that all the fund positions, behavior and stock market overall fluctuation shows a positive correlation, and have a certain significance, but was not very strong, description market with the proportion of funds holdings will rise or fall there will be a certain degree of up or down. For the indivial on the proposed hypothesis, respectively for the blue-chip market and small and medium-sized market shares of the empirical testing, using panel data regression, the fund holds the blue-chip did not exacerbate volatility, reached a stable stock price fluctuations, but to fund small and medium-sized stock market and the volatility of the test results showed that, the fund shareholders and small and medium-sized stock market price fluctuations showed a strong positive correlation, but also significantly stronger. According to the overall analysis, description of funds behavior overall did not play a stabilizing role of the market, because the fund positions blue-chip although stabilize stock price effect, but the fund in the small and medium-sized market on the stock holdings increased the volatility of stock price. Therefore, the empirical results support the proposed hypothesis based on theoretical analysis.Based on the analysis and testing results, combined with the actual situation of our securities business, this paper suggests the need for further improvement of the stock market system condition and zoology environment, change of securities investment funds of the current evaluation methods and evaluation indicators, to further strengthen market supervision, improve the information disclosure system, improve the quality of listed companies and operating performance of a series of policies and suggestions, hoping to provide some reference and guidance.

⑥ excel面板數據整理

在Sheet1的E2輸入

=IF(AND(B2>=VLOOKUP(A2,Sheet2!A:B,2,)-90,B2<=VLOOKUP(A2,Sheet2!A:B,2,)+30),"留","")

回車並向下填充（或雙擊右下角填充柄一步到位）。

選E列篩選「留」。

我把首次公告日的前後日期改為前6天~後3天（共10天）做個示範給你看吧：

⑦ 面板數據 回歸 R方只有0.21 P值T值都通過 這個模型可以用么

不可以，R^2隻有0.21表示只有21%的數據可以被回歸模型解釋，這個擬合優度是非常糟糕的，P值T值都通過也只能表明各個自變數對應系數不為零而已，與擬合優度無關

我猜你是用的一元回歸模型對股票進行預測了吧

⑧ excel面板數據整理

三張表的數據中先插入一列作為年份的標記，然後把3個表復制到一張表格中，按股票名稱和年份排序即可

⑨ 短面板數據需要固定時間效應嗎

在做一個全國各省11年stata面板數據時,採用固定效應模型不控制時間效應時得出的模型比較理想,但是控制時間效應即加入時間虛擬變數後,模型結果原來有三.靜態(短)面板數據隨機效應匯總1檢驗時間效應(混合效應還是隨機效應)(檢驗方法:LM統計量原假設:使用OLS混合模型)quixtreglngdplnfdi lnielnexlnimlncilngp,re(加上企業年齡Age系數在1%的水平上顯著,表示企業成立時間越長,越有控制股票信息和抵禦風險的能力,表現為更低的風險承擔水平三、結語本文主要介紹短面板數據估計模型中的固定效應效應大多數面板數據分析技術都是針對短面板尋找面板數據結構的工具變數不是很容易 面板數據模型 非觀測效應模型 a.固定效應模型 b.隨機效應模型 混合回歸模型 面板數據模型的估計
先用xtset設定面板數據然後用xtreg，fe操作就可以做面板數據固定效應啦面板數據回歸分析我很熟悉的 面板數據之固定效應模型當您只對分析的影響感興趣時，使用固定
就是把時間維度和截面維度的數據混合起來,極端地將面板數據看成一般的截面數據,然後用OLS來估計。可以發現,混合效應估計根本就沒有發揮出面板數據應有的優勢

⑩ excel面板數據整理

----57132899----
匯總後用數據透視表吧