1、第十章 利用橫截面和時間序列的計量模型 在進(jìn)展經(jīng)濟(jì)分析時經(jīng)常會遇到時間序列和橫截面兩者相結(jié)合的數(shù)據(jù)。例如，在企業(yè)投資需求分析中，我們會遇到多個企業(yè)的假設(shè)干目的的月度或季度時間序列；在城鎮(zhèn)居民消費分析中，我們會遇到不同省市地域的反映居民消費和居民收入的年度時間序列。本章將前述的企業(yè)或地域等統(tǒng)稱為個體，這種具有三維個體、目的、時間信息的數(shù)據(jù)構(gòu)造稱為時間序列/截面數(shù)據(jù)，有的書中也稱為平行數(shù)據(jù)或面板數(shù)據(jù)panel data。我們稱這些數(shù)據(jù)為結(jié)合利用時間序列/截面數(shù)據(jù)Pooled time series，cross section。 EViews對時間序列/截面數(shù)據(jù)模型的估計是經(jīng)過含有Pool對象的任務(wù)

2、文件和具有面板構(gòu)造的任務(wù)文件來實現(xiàn)的。 處置時間序列/截面數(shù)據(jù)的EViews對象稱為Pool。經(jīng)過Pool對象可以實現(xiàn)對各種變截距、變系數(shù)時間序列模型的估計，但Pool對象偏重分析“窄而長的數(shù)據(jù)，即截面成員較少，而時期較長的偏重時間序列分析的數(shù)據(jù)。 對于截面成員較多，時期較少的“寬而短的偏重截面分析的數(shù)據(jù)，普統(tǒng)統(tǒng)過具有面板構(gòu)造的任務(wù)文件Panel workfile進(jìn)展分析。利用面板構(gòu)造的任務(wù)文件可以實現(xiàn)變截距時間序列/截面數(shù)據(jù)模型以及動態(tài)時間序列/截面數(shù)據(jù)模型的估計。 10.1 Pool對象 10.1.1 含有Pool對象的任務(wù)文件 Pool對象在EViews中扮演著兩種角色。首先，Pool對

3、象中包含了一系列的標(biāo)識名。這些標(biāo)識名描畫了任務(wù)文件中的時間序列/截面數(shù)據(jù)的數(shù)據(jù)構(gòu)造。在這個角色中，Pool對象在管理和處置時間序列/截面數(shù)據(jù)上的功能與組對象有些類似。其次，利用Pool對象中的過程可以實現(xiàn)對各種時間序列/截面數(shù)據(jù)模型的估計及對估計結(jié)果的檢驗和處置。在這個角色中，Pool對象與方程對象有些類似 Pool對象的中心是建立表示截面成員的稱號表。為明顯起見，稱號要相對較短。例如，國家作為截面成員時，可以運用USA代表美國，CAN代表加拿大，UK代表英國。 定義了Pool的截面成員稱號就等于通知了EViews，模型的數(shù)據(jù)構(gòu)造。在上面的例子中，EViews會自動把這個Pool了解成對每個國

4、家運用單獨的時間序列。 必需留意，Pool對象本身不包含序列或數(shù)據(jù)。一個Pool對象只是對根本數(shù)據(jù)構(gòu)造的一種描畫。因此，刪除一個Pool并不會同時刪除它所運用的序列，但修正Pool運用的原序列會同時改動Pool中的數(shù)據(jù)。 1. 創(chuàng)建Pool對象 在本章中，運用的是一個研討投資需求的例子，包括了五家企業(yè)和三個變量的20個年度觀測值的時間序列： 例10.5 研討企業(yè)投資需求模型 5家企業(yè)： 3個變量： GM：通用汽車公司 I ：總投資 CH：克萊斯勒公司 M ：前一年企業(yè)的市場價值 GE：通用電器公司 K ：前一年末工廠存貨和設(shè)備的價值 WE：西屋公司 US：美國鋼鐵公司 要創(chuàng)建Pool對象，選擇

5、Objects/New Object/Pool并在編輯窗口中輸入截面成員的識別稱號： 對截面成員的識別稱號沒有特別要求，但必需能運用這些識別稱號建立合法的EViews序列稱號。此處引薦在每個識別名中運用“_字符，它不是必需的，但把它作為序列名的一部分，可以很容易找到識別稱號。 2. Pool序列命名 在Pool中運用序列的關(guān)鍵是序列命名：運用根本名和截面識別稱號組合命名。截面識別稱號可以放在序列名中的恣意位置，只需堅持一致即可。 例如，現(xiàn)有一個Pool對象含有識別名JPN，USA，UK，想建立每個截面成員的GDP的時間序列，我們就運用“GDP作為序列的根本名。 把識別稱號放在序列名的前面，中間

6、或后面并沒什么關(guān)系，只需易于識別就行了。但是必需留意要堅持一致，不能這樣命名序列：JPNGDP，GDPUSA，UKGDP1，由于EViews無法在Pool對象中識別這些序列。 3. Pool序列概念 一旦選定的序列名和Pool中的截面成員識別稱號相對應(yīng)，就可以利用這些序列運用Pool了。其中關(guān)鍵是要了解Pool序列的概念。 一個Pool序列實踐就是一組序列, 序列名是由根本名和一切截面識別名構(gòu)成的。Pool序列名運用根本名和“？占位符，其中“？代表截面識別名。假設(shè)序列名為GDPJPN，GDPUSA，GDPUK，相應(yīng)的Pool序列為GDP?。假設(shè)序列名為JPNGDP，USAGDP，UKGDP，相

7、應(yīng)的Pool序列為 ?GDP。 4. 察看或編輯Pool定義 要顯示Pool中的截面成員識別稱號，單擊工具條的Define按鈕，或選擇View/Cross-Section Identifiers。假設(shè)需求，也可以對識別稱號列進(jìn)展編輯。 5. Pool序列數(shù)據(jù) Pool中運用的數(shù)據(jù)都存在普通EViews序列中。這些序列可以按通常方式運用：可以列表顯示，圖形顯示，產(chǎn)生新序列，或用于估計。也可以運用Pool對象來處置各單獨序列。 10.1.2 輸入Pool數(shù)據(jù) 有很多種輸入數(shù)據(jù)的方法，在引見各種方法之前，首先要了解時間序列/截面數(shù)據(jù)的構(gòu)造，區(qū)別堆積數(shù)據(jù)和非堆積數(shù)據(jù)方式。 時間序列/截面數(shù)據(jù)的數(shù)據(jù)信息

8、用三維表示：時期，截面成員，變量。例如：1950年，通用汽車公司，投資數(shù)據(jù)。 運用三維數(shù)據(jù)比較困難，普通要轉(zhuǎn)化成二維數(shù)據(jù)。有幾種常用的方法。 1. 非堆積數(shù)據(jù) 存在任務(wù)文件的數(shù)據(jù)都是這種非堆積數(shù)據(jù)，在這種方式中，給定截面成員、給定變量的觀測值放在一同，但和其他變量、其他截面成員的數(shù)據(jù)分開。例如，假定我們的數(shù)據(jù)文件為下面的方式： 其中根本名 I 代表企業(yè)總投資、M 代表前一年企業(yè)的市場價值、K 代表前一年末工廠存貨和設(shè)備的價值。每個企業(yè)都有單獨的 I、M、K 數(shù)據(jù)。 EViews會自動按附錄A中 引見的規(guī)范輸入程序讀取非堆積數(shù)據(jù)。并把每個截面變量看作一個單獨序列。留意要按照上述的Pool命名規(guī)那

9、么命名。 確認(rèn)后EViews會翻開新建序列的堆積式數(shù)據(jù)表。我們看到的是按截面成員堆積的序列，Pool序列名在每列表頭，截面成員/年代識別符標(biāo)識每行： 2. 堆積數(shù)據(jù) 選擇View/Spreadsheetstacked data，EViews會要求輸入序列名列表 Pool數(shù)據(jù)陳列成堆積方式，一個變量的一切數(shù)據(jù)放在一同，和其他變量的數(shù)據(jù)分開。大多數(shù)情況下，不同截面成員的數(shù)據(jù)從上到下依次堆積，每一列代表一個變量： 我們稱上表數(shù)據(jù)是以截面成員堆積的，單擊Order+/-實現(xiàn)堆積方式轉(zhuǎn)換，也可以按日期堆積數(shù)據(jù)： 每一列代表一個變量，每一列內(nèi)數(shù)據(jù)都是按年陳列的。假設(shè)數(shù)據(jù)按年陳列，要確保各年內(nèi)截面成員的陳列

10、順序要一致。 3. 手工輸入/剪切和粘貼 4. 文件輸入 運用Pool對象從文件讀取數(shù)據(jù)，先翻開Pool，然后選擇Procs/Import Pool Data(ASCII,.XLS,.WK?)，要運用與Pool對象對應(yīng)的輸入程序。10.1.3 輸出Pool數(shù)據(jù) 按照和上面數(shù)據(jù)輸入相反的程序可進(jìn)展數(shù)據(jù)輸出。由于EViews可以輸入輸出非堆積數(shù)據(jù)，按截面成員堆積和按日期堆積數(shù)據(jù)，因此可以利用EViews按照需求調(diào)整數(shù)據(jù)構(gòu)造。 10.1.4 運用Pool數(shù)據(jù) 每個截面成員的根底序列都是普通序列，因此EViews中對各單個截面成員序列適用的工具都可運用。另外，EViews還有專門適用于Pool數(shù)據(jù)的公

11、用工具。可以運用EViews對與一特定變量對應(yīng)的一切序列進(jìn)展類似操作。 1. 檢查數(shù)據(jù) 2. 描畫數(shù)據(jù) 3. 生成數(shù)據(jù) 可以運用PoolGenr(panelgenr)程序生成或者修正Pool序列。 4. 生成Pool組 5. 刪除和存取數(shù)據(jù) 我們可以把這些數(shù)據(jù)看作一系列截面闡明回歸量，因此有N個截面方程：， i =1 , 2 , , N (10.1.2) 其中：yi 是 T1 維被解釋變量向量，xi 是 Tk 維解釋變量矩陣，yi 和 xi 包含個體成員的各經(jīng)濟(jì)目的時間序列，例如個體成員代表各不同地域，那么 yi 和 xi 的各個分量代表 i 地域的消費和收入、物價等目的的經(jīng)濟(jì)時間序列。 由于

12、含有 N 個個體成員方程的式10.1.2和含有 T個時間截面方程的式10.1.4兩種方式的模型在估計方法上類似，因此本章主要討論含有 N 個個體成員方程的時間序列/截面數(shù)據(jù)模型的估計方法。 10.1.5 Pool對象估計的模型方式 10.1.6 如何估計Pool方程 單擊Pool工具欄的Estimate選項翻開如下對話框： 1. 因變量 在因變量對話框中輸入Pool變量或Pool變量表達(dá)式。 2. 樣本 在下面的編輯窗口中輸入樣本闡明。樣本的缺省值是各截面成員中的最大樣本值。假設(shè)得不到某時期截面成員的解釋變量或因變量的值，那么此觀測值會被排除掉。 3. 解釋變量 在兩個編輯框中輸入解釋變量。

13、(1) Common :此欄中輸入的變量對一切截面成員有一樣的系數(shù)，并用普通稱號或Pool稱號輸出結(jié)果。 (2) Cross-section specific :此欄中輸入的變量對Pool中每個截面成員的系數(shù)不同。 (3) Period specific :此欄中輸入的變量對Pool中每個時期的系數(shù)不同。 模型(10.1.2)常用的有如下三種情形： 情形1： (變系數(shù)模型) 情形2： (變截距模型) 情形3： (不變參數(shù)模型) 對于情形1，稱為變系數(shù)模型，除了存在個體影響外，在橫截面上還存在變化的經(jīng)濟(jì)構(gòu)造，因此構(gòu)造參數(shù)在不同橫截面上是不同的。 對于情形2，稱為變截距模型，在橫截面上個體影響不同

14、，個體影響表現(xiàn)為模型中被忽略的反映個體差別的變量的影響，又分為固定影響和隨機影響兩種情況。 對于情形3，在橫截面上無個體影響、無構(gòu)造變化，那么普通最小二乘法估計給出了 和 的一致有效估計。相當(dāng)于將多個時期的截面數(shù)據(jù)放在一同作為樣本數(shù)據(jù)。10.2 模型方式設(shè)定檢驗 經(jīng)常運用的檢驗是協(xié)方差分析檢驗，主要檢驗如下兩個假設(shè)： H1： H2： 可見假設(shè)接受假設(shè) H2 那么可以以為樣本數(shù)據(jù)符合情形3，即模型為不變參數(shù)模型，無需進(jìn)展進(jìn)一步的檢驗。 假設(shè)回絕假設(shè)H2，那么需檢驗假設(shè)H1。假設(shè)接受H1，那么以為樣本數(shù)據(jù)符合情形2，即模型為變截距模型，反之回絕H1 ，那么以為樣本數(shù)據(jù)符合情形1，即模型為變參數(shù)模型

15、。 下面引見假設(shè)檢驗的 F 統(tǒng)計量的計算方法。首先計算情形1(變參數(shù)模型)的殘差平方和，記為 S1 ；情形2(變截距模型)的殘差平方和記為 S2 ；情形3(不變參數(shù)模型)的殘差平方和記為 S3 。計算 F2 統(tǒng)計量 (10.2.7) 在假設(shè) H2 下檢驗統(tǒng)計量 F2 服從相應(yīng)自在度下的F分布。假設(shè)計算所得到的統(tǒng)計量 F2 的值不小于給定置信度下的相應(yīng)臨界值，那么回絕假設(shè) H2，繼續(xù)檢驗假設(shè) H1。反之，接受 H2那么以為樣本數(shù)據(jù)符合模型情形3 ，即不變參數(shù)模型。 在假設(shè)H1下檢驗統(tǒng)計量F1也服從相應(yīng)自在度下的F分布，即 (10.2.8) 假設(shè)計算所得到的統(tǒng)計量F1的值不小于給定置信度下的相應(yīng)臨

16、界值，那么回絕假設(shè)H1。 假設(shè)接受H1，那么以為樣本數(shù)據(jù)符合情形2，即模型為變截距模型，反之回絕H1 ，那么以為樣本數(shù)據(jù)符合情形1，即模型為變參數(shù)模型。 例10.5中系數(shù) 和 取何種方式可以利用模型方式設(shè)定檢驗方法來確定。 (1) 首先分別計算3種方式的模型：變參數(shù)模型、變截距模型和不變參數(shù)模型，在每個模型的回歸統(tǒng)計量里可以得到相應(yīng)的殘差平方和S1=339121.5、S2 = 444288.4 和S3 = 1570884。 (2) 按(10.2.7)式和(10.2.8)式計算F統(tǒng)計量，其中N=5、k=2、T=20，得到的兩個F統(tǒng)計量分別為： F1= (S2 - S1)/8)/(S1 /85)

17、= 3.29 F2= (S3 - S1)/12)/(S1 /85) = 25.73 利用函數(shù) qfdist(d, k1, k2) 得到F分布的臨界值，其中d 是臨界點，k1和k2是自在度。在給定5%的顯著性程度下(d=0.95)，得到相應(yīng)的臨界值為： F(12, 85) = 1.87 F(8, 85) =2.049 由于 F21.87，所以回絕H2；又由于 F12.049，所以也回絕H1。因此，例10.5的模型應(yīng)采用變系數(shù)的方式。 時間序列/截面數(shù)據(jù)模型估計方法 運用時間序列/截面數(shù)據(jù)模型數(shù)據(jù)構(gòu)造信息，有很多種方法進(jìn)展方程估計。可以估計固定截距模型，隨機截距模型，或者模型變量對各截面成員的系數(shù)

18、不同，以及估計單獨的AR項系數(shù)。也可以為各個截面成員分別估計一個方程。 下面將引見怎樣運用Pool和系統(tǒng)估計更普通和復(fù)雜的模型，包括二階段最小二乘估計和非線性模型，以及有復(fù)雜截面系數(shù)限制的模型。 下面討論Pool模型的計算方法。設(shè)有N個觀測值相互堆積。為討論方便，把堆積方程表示為：, i =1, 2, , N (10.3.1) 其中 yi 是第 i 個截面成員的T1維因變量向量，xi 是第 i 個截面成員的Tk 維解釋變量矩陣。i 是第 i 個截面成員的k1維未知參數(shù)向量，ui 是第 i 個截面成員的T1維擾動項向量。用分塊矩陣方式表示如下： 并且方程的殘差協(xié)方差矩陣為： 根本闡明把Pool闡

19、明作為聯(lián)立方程系統(tǒng)并運用系統(tǒng)最小二乘法估計模型。 不變參數(shù)模型一切截面截距一樣、系數(shù)一樣 當(dāng)殘差同期不相關(guān)，并且時期和截面同方差時， 對堆積數(shù)據(jù)模型運用普通最小二乘法估計系數(shù)和協(xié)方差。相當(dāng)于情形3：i =j ，i =j ，在橫截面上無個體影響、無構(gòu)造變化，那么普通最小二乘法估計給出了 和 的一致有效估計。相當(dāng)于將多個時期的截面數(shù)據(jù)放在一同作為樣本數(shù)據(jù)。其中 yi 和 xi 分別是 各時期的因變量向量和解釋變量矩陣。以例10.5為例: 一切的截面的系數(shù)相等，和將5個公司的數(shù)據(jù)接到一同，用OLS的估計結(jié)果一樣。 10.3 變截距模型 10.3.1 固定影響變截距模型 (1) 固定影響 (Fixed

20、 Effects) (情形2：i j，i =j ) 固定影響估計量經(jīng)過為每個截面成員估計不同常數(shù)項使i 不同。EViews將每個變量減去平均值，并用轉(zhuǎn)換后的數(shù)據(jù)，經(jīng)過最小二乘估計來計算固定影響。 (10.3.3)其中 ， 固定影響本身不是直接估計的，計算公式為, i =1, 2, , N (10.3.4) (2) 引進(jìn)總體均值截距項的固定影響變截距模型 假設(shè)引進(jìn)總體均值截距項m，可以將模型10.3.1寫成如下的等價方式： i =1, 2, , N (10.3.10) 在該方式下，模型10.3.1中的反映個體影響的跨成員方程變化的截距項被分解成在各個體成員方程中都相等的總體均值截距項m和跨成員方

21、程變化的表示個體對總體均值偏離的個體截距項i*。個體截距項i* 表示的是個體成員i對總體平均形狀的偏離，一切偏離之和應(yīng)該為零，即 (10.3.11) 在該約束下，可以得到模型(10.3.10)中的各參數(shù)的最優(yōu)線性無偏估計 (10.3.12) (10.3.13) (10.3.14)其中： ， ， 。 EViews計算固定影響是包含總體均值截距項的變截距模型，以例10.5為例： (3) 包含時期個體恒量的固定影響變截距模型 模型(10.3.1)還可以推行為包含時期個體恒量的方式，即模型方式為： i =1, 2, N ，t =1, 2, T (10.3.15) 其中：t 為時期個體恒量，反映時期特有

22、的影響。類似地，經(jīng)過引進(jìn)相應(yīng)的個體成員和時期虛擬變量，利用普通最小二乘法可以得到各參數(shù)的OLS估計。 3. 固定影響變截距模型的廣義最小二乘估計 (1) 截面加權(quán)(個體成員截面異方差情形的GLS估計 ) 利用OLS參數(shù)估計，我們得到5個公司的方程殘差的方差i2 ，具有截面異方差性。殘差的方差通用汽車公司（GM）9410.91克萊斯勒公司（CH） 755.85通用電器公司（GE）34288.89西屋公司（WE） 633.42美國鋼鐵公司（US）33455.51 當(dāng)殘差具有截面異方差性和同步不相關(guān)時最好進(jìn)展截面加權(quán)回歸： EViews進(jìn)展可行廣義最小二乘FGLS。 首先從一階段Pool最小二乘回歸

23、，得到方差 i2 的估計值 si2，計算公式為：， i =1, 2, , N (10.3.24) 其中 是OLS的擬合值。 其次系數(shù)值 由規(guī)范GLS估計量估計，是有效估計量。 (2) 同期相關(guān)協(xié)方差情形的SUR估計 當(dāng)殘差具有截面異方差性和同步相關(guān)性時，SUR加權(quán)最小二乘是可行的GLS估計量： 其中 是同步相關(guān)的對稱陣： (10.3.28)普通項 ，在一切的 t 時為常數(shù)。 EViews估計SUR模型時運用的 ij 是由一階段Pool最小二乘回歸得到： i, j =1, 2, , N (10.3.30) 其中： 和 可由式10.3.3和式10.3.4得到。計算后，再進(jìn)展廣義最小二乘估計GLS，

24、此時 的SUR估計為： (10.3.31)此時 的SUR估計為： 10.3.2 隨機影響變截距模型 (Random Effects) 隨機影響模型假設(shè)it 項是共同系數(shù) 和不隨時間改動的截面闡明隨機變量 vi 的和， vi 和殘差 ui 是不相關(guān)的。 i =1, 2, , N (10.3.36) 為了分析方便，可以將模型(10.3.36)寫成如下方式： (10.3.43)其中： ， = ( , ) ，wi = vi + ui。EViews按以下步驟估計隨機影響模型： (1) 運用固定影響模型的殘差估計 ui 的方差：(10.3.52) 運用包含總體均值截距項的變截距模型的殘差估計 vi 的方差

25、， (10.3.52) (2) 由于 有了成分方差 和 的估計，可以求出模型(10.3.42)中參數(shù) 的GLS估計量： (10.3.50)其中： 。 個體隨機影響 vi 相應(yīng)的估計為 i =1, 2, , N (10.3.56)其中： (10.3.57)10.4 變系數(shù)模型 前面所引見的變截距模型中，橫截面成員的個體影響是用變化的截距來反映的，即用變化的截距來反映模型中忽略的反映個體差別的變量的影響。然而現(xiàn)實中變化的經(jīng)濟(jì)構(gòu)造或不同的社會經(jīng)濟(jì)背景等要素有時會導(dǎo)致反映經(jīng)濟(jì)構(gòu)造的參數(shù)隨著橫截面?zhèn)€體的變化而變化。因此，當(dāng)現(xiàn)實數(shù)據(jù)不支持變截距模型時，便需求思索這種系數(shù)隨橫截面?zhèn)€體的變化而改動的變系數(shù)模型

26、。 變系數(shù)模型的根本方式如下： i =1, 2, , N (10.4.1)其中：yi 為因變量向量，xi 為 Tk 維解釋變量矩陣，參數(shù)i 表示模型的常數(shù)項，i 為對應(yīng)于解釋變量矩陣 xi 的系數(shù)向量。隨機誤差項 ui 相互獨立，且滿足零均值、等方差的假設(shè)。 在式(10.4.1)所表示的變系數(shù)模型中，常數(shù)項 i 和系數(shù)向量 i 都是隨著橫截面?zhèn)€體的改動而變化的，因此可以將變系數(shù)模型改寫成如下方式：， i =1 , 2 , , N (10.4.2)其中： ，i = (i , i ) 。 類似于變截距模型，變系數(shù)模型也分為固定影響變系數(shù)模型和隨機影響變系數(shù)模型兩種類型。 EViews不能估計這樣的

27、模型：很少的時期或者龐大的截面成員。所用的時期數(shù)平均應(yīng)至少不小于截面成員數(shù)。即使有足夠的觀測值，估計的殘差相關(guān)矩陣還必需是非奇特的。假設(shè)有一條不滿足EViews的要求，EViews會顯示錯誤信息：“Near Singular Matrix。 中選擇加權(quán)時，復(fù)選框Iterate to convergence控制可行GLS程序。假設(shè)選擇，EViews就不斷迭代權(quán)重和系數(shù)直到收斂。假設(shè)模型中包括AR項，這個選擇就沒有意義，由于在AR估計中，EViews會不斷迭代直至收斂。 估計Pool方程的其他選項(Options) 10.5 White 異方差協(xié)方差(White Heteroskedasticit

28、y Covariance) EViews能估計那些廣義異方差性的強的協(xié)方差。這種方式的異方差性比上面引見的截面異方差性更普遍，由于一個截面成員內(nèi)的方差可以隨時間不同。 要得到懷特規(guī)范差和協(xié)方差,點Options按鈕，選擇Coef covariance method。EViews5給出了一個下拉列表，列表中包含8種選項。默許的是最上方的Ordinary項，對應(yīng)式(10.3.7) 和式(10.3.8)給出的系數(shù)協(xié)方差方式。在此下拉列表中的另外7種系數(shù)協(xié)方差方式參見10.5節(jié)。 留意此選項不適用于SUR和隨機影響估計。10.6 Pool序列的單位根檢驗 EViews在Pool對象中提供了比較方便的，

29、可以進(jìn)展多序列單位根檢驗的工具。在Pool對象中，對ADF、PP等單位根檢驗方法均可以實現(xiàn)。在Pool工具欄選擇View/Unit Root Test，EViews會翻開如下對話框，在對話框最上邊的“Pool series欄中輸入所要檢驗的序列稱號，并選定其他設(shè)置后單擊“OK，便可以進(jìn)展相應(yīng)的單位根檢驗了。 以我國各省市城鎮(zhèn)居民人均消費和可支配收入作為例子：相應(yīng)的Pool識別稱號為BJ_，TJ_，HB_，SX_，NMG_，LN_， 。估計城鎮(zhèn)居民人均消費?CS的回歸模型，模型中的被解釋變量?CS 為城鎮(zhèn)居民人均全年消費，解釋變量為城鎮(zhèn)居民人均全年可支配收入?YD單位：元，變量均為年度數(shù)據(jù)，樣本

30、區(qū)間為1991 2003年。 10.7 Pool方程實例 檢驗?zāi)Ｐ头绞皆O(shè)定方式； (1) 首先分別計算3種方式的模型：變參數(shù)模型、變截距模型和不變參數(shù)模型，在每個模型的回歸統(tǒng)計量里可以得到相應(yīng)的殘差平方和S1=5279603、S2 = 8287453 和S3 =13282535。 (2) 按(10.2.7)式和(10.2.8)式計算F統(tǒng)計量，其中N=29、k=1、T=13，得到的兩個F統(tǒng)計量分別為： F1= (S2 - S1)/28)/(S1 /319) =6.49 F2= (S3 - S1)/28)/(S1 /319) = 8.63 利用函數(shù) qfdist(d, k1, k2) 得到F分布的

31、臨界值，其中d 是臨界點，k1和k2是自在度。在給定5%的顯著性程度下(d =0.95)，得到相應(yīng)的臨界值為： F(56, 290) = 1.37 F(84, 290) =1.51 由于 F21.37，所以回絕H2；又由于 F11.51，所以也回絕H1。因此，模型應(yīng)采用變系數(shù)的方式。 從城鎮(zhèn)居民人均可支配收入?YD的系數(shù)看，各省市的邊沿消費傾向是不同的，最高是山西，0.844，最低是江西，0.669。 10.8 Pool方程視圖和過程 估計出Pool方程后，可以按下述方法檢驗輸出結(jié)果： 1. 表達(dá)式 選擇View/Representations檢查輸出。EViews把Pool估計成一個方程的系統(tǒng)，每個截面成員一個方程。 2. 用Pool創(chuàng)建系統(tǒng) 能夠有些復(fù)雜的時間序列/截面數(shù)據(jù)方程不能用Pool對象進(jìn)展估計。要運用更多的估計方法，如二階段最小二乘法，三階段最小二乘法，GMM，或運用恣意系數(shù)限制，需求用Pool對象創(chuàng)建一個系統(tǒng)對象?？梢杂靡粋€已估計的Poo