固定效应和随机效应模型

三种数据类型
  • 横截面数据:特定的时间点对若干个体采集的样本所构成的数据集。
  • 时间序列数据:同一个个体在不同时间点上所观测的数据构成的数据集。
  • 面板数据:横截面数据与时间序列数据的结合,对横截面中的观测个体在时间上进行连续观测所得到的数据。
面板数据模型的基本形式:

y i t = f ( x 1 i t , x 2 i t , ⋯   , x k i t ) + u i t y_{it} = f(x_{1it},x_{2it},\cdots,x_{kit}) + u_{it} yit=f(x1it,x2it,,xkit)+uit

i = 1 , 2 , ⋯   , n i=1,2,\cdots,n i=1,2,,n表示个体数量, t = 1 , 2 , ⋯   , T t=1,2,\cdots,T t=1,2,,T表示观测时间点, k k k表解释变量的个数。

模型误差拆解:

u i t = α i + λ t + ϵ i t u_{it}=\alpha_i+\lambda_t + \epsilon_{it} uit=αi+λt+ϵit

  • α i \alpha_i αi表示个性效应

  • λ i \lambda_i λi表示时间效应

  • ϵ i t \epsilon_{it} ϵit表示随机误差

我们采用线性模型,并假设:

  • ϵ i t ∼ N ( 0 , σ ϵ 2 ) \epsilon_{it}\sim N(0,\sigma^2_{\epsilon}) ϵitN(0,σϵ2)
  • 不考虑时间效应

得到

y i t = α i + β 1 x 1 i t + β 2 x 2 i t + ⋯ + β k x k x t + ϵ i t y_{it}=\alpha_i + \beta_1x_{1it} + \beta_2x_{2it} +\cdots+ \beta_kx_{kxt}+\epsilon_{it} yit=αi+β1x1it+β2x2it++βkxkxt+ϵit

三种建模方式
  • 混合回归模型:个体效应相同, α i = α , i = 1 , 2 , ⋯   , n \alpha_i = \alpha,i=1,2,\cdots,n αi=α,i=1,2,,n
  • 固定效应模型:个体效应不同,且 α i , i = 1 , 2 , ⋯   , n \alpha_i,i=1,2,\cdots,n αi,i=1,2,,n是常数
  • 随机效应模型: α i \alpha_i αi是随机变量

随机效应模型具有两个随机误差项 α i \alpha_i αi ϵ i t \epsilon_{it} ϵit,我们假设满足 E ( α i ) = α , α i = α + v i , v i E(\alpha_i) = \alpha,\alpha_i=\alpha + v_i,v_i E(αi)=ααi=α+vivi是随机变量,并对随机误差项的方差结构提出一些假设.

简单两层分层线性模型

Y i j = β 0 j + β 1 j X i j + r i j Y_{ij} = \beta_{0j}+\beta_{1j}X_{ij}+r_{ij} Yij=β0j+β1jXij+rij 层1模型

β 0 j = γ 00 + γ 01 W j + μ 0 j \beta_{0j}=\gamma_{00}+\gamma_{01}W_j+\mu_{0j} β0j=γ00+γ01Wj+μ0j 层2模型

β 1 j = γ 10 + γ 11 W j + μ 1 j \beta_{1j}=\gamma_{10}+\gamma_{11}W_j+\mu_{1j} β1j=γ10+γ11Wj+μ1j

Y i j = γ 00 + γ 10 X i j + γ 01 W j + γ 11 X i j W j + μ 0 j + μ 1 j X i j + r i j Y_{ij}=\gamma_{00}+\gamma_{10}X_{ij}+\gamma_{01}W_j+\gamma_{11}X_{ij}W_j+\mu_{0j}+\mu_{1j}X_{ij}+r_{ij} Yij=γ00+γ10Xij+γ01Wj+γ11XijWj+μ0j+μ1jXij+rij

  • 直接对层2模型的参数进行估计不可行,因为结果 β 0 j 、 β 1 j \beta_{0j}、\beta_{1j} β0jβ1j未能直接观察
  • 组合形式不满足典型线性模型的假设
一般模型的简单子模型
  • 单因素随机效应方差分析模型: Y i j = γ 00 + μ 0 j + r i j Y_{ij}=\gamma_{00}+\mu_{0j}+r_{ij} Yij=γ00+μ0j+rij
  • 随机截距模型
  • 将平均数作为结果的回归模型
  • 单因素随机效应协方差分析模型
  • 随机系数回归模型
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值