动态面板模型与R
1 动态面板模型
含义:线性面板模型中含有被解释变量滞后项。例如
y
i
t
=
α
+
ρ
y
i
,
t
−
1
+
β
x
i
t
+
μ
i
+
ε
i
t
(1)
y_{it} = \alpha+\rho y_{i,t-1}+\beta x_{it}+\mu_i+\varepsilon_{it}\tag{1}
yit=α+ρyi,t−1+βxit+μi+εit(1)
其中
i
=
1
,
2
,
…
N
i = 1,2,\dots N
i=1,2,…N,
t
=
2
,
3
…
T
t = 2,3\dots T
t=2,3…T,
a
a
a为常数,
μ
i
\mu_i
μi为个体异质性,
ε
\varepsilon
ε为扰动项,
α
\alpha
α是常数项,
ρ
\rho
ρ是被解释变量滞后系数;
β
\beta
β为自变量,
ε
i
t
\varepsilon_{it}
εit为白噪声。称(1)为动态面板数据模型(Dynamic Panel Data,简记DPD)。也称方程(1)为水平方程,即原始方程。显然
C
o
v
(
y
i
,
t
−
1
,
μ
i
)
≠
0
Cov(y_{i,t-1},\mu_i)\ne0
Cov(yi,t−1,μi)=0(无论被解释变量在时间上如何变化,
μ
i
\mu_i
μi都是其组成部分)。如果按照静态面板的固定效应模型思路,即组内离差变换得到
y
i
t
−
y
ˉ
i
=
ρ
(
y
i
,
t
−
1
−
L
y
‾
i
)
+
β
(
x
i
t
−
x
ˉ
i
)
+
(
ε
i
t
−
ε
ˉ
i
)
(
t
=
2
,
⋯
,
T
)
(2)
y_{i t}-\bar{y}_{i}=\rho\left(y_{i, t-1}-\overline{L y}_{i}\right)+\beta\left(x_{i t}-\bar{x}_{i}\right)+\left(\varepsilon_{i t}-\bar{\varepsilon}_{i}\right) \quad(t=2, \cdots, T)\tag{2}
yit−yˉi=ρ(yi,t−1−Lyi)+β(xit−xˉi)+(εit−εˉi)(t=2,⋯,T)(2)
其中
y
ˉ
i
≡
1
T
−
1
∑
t
=
2
T
y
i
t
\bar{y}_{i} \equiv \frac{1}{T-1} \sum_{t=2}^{T} y_{i t}
yˉi≡T−11∑t=2Tyit,
L
y
‾
i
=
1
T
−
1
∑
t
=
2
T
y
i
,
t
−
1
\overline{L y}_{i} = \frac{1}{T-1} \sum_{t=2}^{T} y_{i, t-1}
Lyi=T−11∑t=2Tyi,t−1,
ε
ˉ
i
=
1
T
−
1
∑
t
=
2
T
ε
i
t
\bar{\varepsilon}_{i} = \frac{1}{T-1} \sum_{t=2}^{T} {\varepsilon}_{i t}
εˉi=T−11∑t=2Tεit。因此
C
o
v
(
(
y
i
,
t
−
1
−
L
y
‾
i
)
,
(
ε
i
t
−
ε
ˉ
i
)
)
≠
0
Cov(\left(y_{i, t-1}-\overline{L y}_{i}\right),\left(\varepsilon_{i t}-\bar{\varepsilon}_{i}\right) )\ne 0
Cov((yi,t−1−Lyi),(εit−εˉi))=0,故组内离差变换仍然存在固有的内生性,将这种内生性称为动态面板偏差。考虑差分变换将个体异质性去除,
Δ
y
i
t
=
ρ
Δ
y
i
,
t
−
1
+
β
Δ
x
i
t
+
Δ
ε
i
t
(3)
\Delta y_{it} = \rho\Delta y_{i,t-1}+\beta\Delta x_{it} +\Delta \varepsilon_{it}\tag{3}
Δyit=ρΔyi,t−1+βΔxit+Δεit(3)
称为动态面板的差分方程;由于
C
o
v
(
Δ
y
i
,
t
−
1
,
Δ
ε
i
t
)
=
C
o
v
(
y
i
t
−
y
i
,
t
−
1
,
ε
i
t
−
ε
i
,
t
−
1
)
=
C
o
v
(
y
i
t
,
ε
i
t
)
+
C
o
v
(
y
i
t
,
ε
i
,
t
−
1
)
+
C
o
v
(
y
i
,
t
−
1
,
ε
i
,
t
−
1
)
≠
0
\begin{aligned} Cov(\Delta y_{i,t-1},\Delta \varepsilon_{it}) & = Cov(y_{it}-y_{i,t-1},\varepsilon_{it}-\varepsilon_{i,t-1})\\ & = Cov(y_{it},\varepsilon_{it}) +Cov(y_{it},\varepsilon_{i,t-1})+ Cov(y_{i,t-1},\varepsilon_{i,t-1}) \ne 0 \end{aligned}
Cov(Δyi,t−1,Δεit)=Cov(yit−yi,t−1,εit−εi,t−1)=Cov(yit,εit)+Cov(yit,εi,t−1)+Cov(yi,t−1,εi,t−1)=0
故使用差分方法后,动态面板的差分方程也存在内生性,且
Δ
y
i
,
t
−
1
\Delta y_{i,t-1}
Δyi,t−1为内生解释变量。
2 差分GMM
在差分方程条件下,给定时间长度为
T
T
T的面板数据,由于
Δ
y
i
,
t
−
1
=
y
i
,
t
−
1
−
y
i
.
t
−
2
\Delta y_{i,t-1} = y_{i,t-1}-y_{i.t-2}
Δyi,t−1=yi,t−1−yi.t−2为内生变量,扰动项为
Δ
ε
i
t
=
ε
i
t
−
ε
i
,
t
−
1
\Delta \varepsilon_{it} = \varepsilon_{it}-\varepsilon_{i,t-1}
Δεit=εit−εi,t−1,因此工具变量可以取
y
i
,
t
−
2
y_{i,t-2}
yi,t−2,因为它既满足相关性,又满足外生性
{
C
o
v
(
y
i
,
t
−
2
,
y
i
,
t
−
1
−
y
i
.
t
−
2
)
≠
0
C
o
v
(
y
i
,
t
−
2
,
ε
i
t
−
ε
i
,
t
−
1
)
=
0
\left\{\begin{array}{l} Cov(y_{i,t-2},y_{i,t-1}-y_{i.t-2}) \ne 0\\ Cov(y_{i,t-2},\varepsilon_{it}-\varepsilon_{i,t-1}) =0 \end{array}\right.
{Cov(yi,t−2,yi,t−1−yi.t−2)=0Cov(yi,t−2,εit−εi,t−1)=0
同理,
y
i
,
t
−
3
,
y
i
,
t
−
4
,
…
y
i
1
y_{i,t-3},y_{i,t-4},\dots y_{i1}
yi,t−3,yi,t−4,…yi1都可视为内生变量
Δ
y
i
,
t
−
1
=
y
i
,
t
−
1
−
y
i
.
t
−
2
\Delta y_{i,t-1} =y_{i,t-1}-y_{i.t-2}
Δyi,t−1=yi,t−1−yi.t−2的工具变量。这些变量都称作GMM式工具变量。差分方程的GMM式工具变量个数共有
t
−
2
+
t
−
3
+
⋯
+
1
=
(
t
−
1
)
(
t
−
2
)
2
t-2 +t-3+ \dots +1 = \frac{(t-1)(t-2)}{2}
t−2+t−3+⋯+1=2(t−1)(t−2)
当然,这里需要假设解释变量
x
x
x是外生的。因此解释变量自身可以视为工具变量(这种工具变量称为标准型工具变量),此时工具变量个数为
(
t
−
1
)
(
t
−
2
)
2
+
K
+
1
\frac{(t-1)(t-2)}{2}+K+1
2(t−1)(t−2)+K+1
其中
K
K
K为解释变量个数。现考虑差分方程的扰动项的方差协方差是否满足球形扰动假设。由于假定
ε
i
t
\varepsilon_{it}
εit为白噪声,故差分方程(3)中新的扰动项
v
i
t
=
Δ
ε
i
t
=
ε
i
t
−
ε
i
,
t
−
1
v_{it} = \Delta \varepsilon_{it} = \varepsilon_{it} -\varepsilon_{i,t-1}
vit=Δεit=εit−εi,t−1
一定存在一阶序列相关,证明如下
C
o
v
(
v
i
t
,
v
i
,
t
−
1
)
=
C
o
v
(
ε
i
t
−
ε
i
,
t
−
1
,
ε
i
,
t
−
1
−
ε
i
,
t
−
2
)
=
−
C
o
v
(
ε
i
,
t
−
1
,
ε
i
,
t
−
1
)
=
−
σ
ε
2
≠
0
\begin{aligned} Cov(v_{it},v_{i,t-1}) =& Cov( \varepsilon_{it} -\varepsilon_{i,t-1}, \varepsilon_{i,t-1} -\varepsilon_{i,t-2})\\ =& -Cov(\varepsilon_{i,t-1},\varepsilon_{i,t-1}) = -\sigma^2_\varepsilon \ne 0 \end{aligned}
Cov(vit,vi,t−1)==Cov(εit−εi,t−1,εi,t−1−εi,t−2)−Cov(εi,t−1,εi,t−1)=−σε2=0
但不存在高阶序列相关,证明
C
o
v
(
v
i
t
,
v
i
,
t
−
2
)
=
C
o
v
(
ε
i
t
−
ε
i
,
t
−
1
,
ε
i
,
t
−
2
−
ε
i
,
t
−
3
)
=
0
\begin{aligned} Cov(v_{it},v_{i,t-2}) =& Cov( \varepsilon_{it} -\varepsilon_{i,t-1}, \varepsilon_{i,t-2} -\varepsilon_{i,t-3}) =0 \end{aligned}
Cov(vit,vi,t−2)=Cov(εit−εi,t−1,εi,t−2−εi,t−3)=0
差分方程扰动项的方差
C
o
v
(
v
i
t
,
v
i
t
)
=
E
(
ε
i
t
−
ε
i
,
t
−
1
)
2
=
2
σ
ε
2
Cov(v_{it},v_{it}) = E(\varepsilon_{it}-\varepsilon_{i,t-1})^2 = 2\sigma^2_\varepsilon
Cov(vit,vit)=E(εit−εi,t−1)2=2σε2
故新的扰动项的一阶相关系数为
ρ
v
1
=
−
−
σ
ε
2
2
σ
ε
2
=
−
0.5
\rho_{v1} = -\frac{-\sigma^2_\varepsilon}{2\sigma^2_\varepsilon} = -0.5
ρv1=−2σε2−σε2=−0.5
二阶及以后的自相关系数为0。差分方程的动态面板的扰动项存在自相关,且存在内生性,这里我们用GMM工具变量解决。但是,工具变量个数远大于内生变量个数,需要用广义矩估计(GMM)方法(2SLS是在球形扰动假设下成立的)。对动态面板的差分方程使用GMM估计称作差分GMM估计法。
3 水平GMM
差分GMM的局限是:
-
假定自变量为前定解释变量,但差分后 Δ x i t = x i , t − x i , t − 1 \Delta x_{it} = x_{i,t}-x_{i,t-1} Δxit=xi,t−xi,t−1与差分方差中的扰动项 Δ ε i t = ε i t − ε i , t − 1 \Delta \varepsilon_{it} = \varepsilon_{it}-\varepsilon_{i,t-1} Δεit=εit−εi,t−1可能存在相关性,进而导致解释变量也存在内生性问题;此时可将原解释变量的滞后项 { x i , t − 1 , x i , t − 2 … } \{x_{i,t-1},x_{i,t-2}\dots\} {xi,t−1,xi,t−2…}作为 Δ x i t \Delta x_{it} Δxit的工具变量;
-
对于时间范围较长的数据,使用GMM式工具变量的个数是关于 t t t的二次函数,随着时间跨度变长,工具变量增多,容易导致过度识别问题(因此需要限定GMM工具变量的滞后阶数)
-
差分GMM方法消除了非时变变量(种族、性别、文化等),无法估计非时变变量的系数
-
动态面板的持续性使 y i t y_{it} yit受到过去历史的影响,造成影响的持续性,自回归系数可能趋近1
为解决最后两个问题,Arellano and Bover (1995)在水平方程
y
i
t
=
α
+
ρ
y
i
,
t
−
1
+
β
x
i
t
+
μ
i
+
ε
i
t
(1)
y_{it} = \alpha+\rho y_{i,t-1}+\beta x_{it}+\mu_i+\varepsilon_{it}\tag{1}
yit=α+ρyi,t−1+βxit+μi+εit(1)
的基础上,将
{
Δ
y
i
,
t
−
1
,
Δ
y
i
,
t
−
2
,
⋯
}
\left\{\Delta y_{i, t-1}, \Delta y_{i, t-2}, \cdots\right\}
{Δyi,t−1,Δyi,t−2,⋯}视为内生变量
y
i
,
t
−
1
y_{i,t-1}
yi,t−1的工具变量
- 相关性条件:
c o v ( y i , t − 1 , Δ y i , t − 1 ) = c o v ( y i , t − 1 , y i , t − 1 − y i , t − 2 ) ≠ 0 cov(y_{i,t-1},\Delta y_{i, t-1})=cov(y_{i,t-1}, y_{i, t-1}-y_{i, t-2})\ne 0 cov(yi,t−1,Δyi,t−1)=cov(yi,t−1,yi,t−1−yi,t−2)=0
c o v ( y i , t − 1 , Δ y i , t − 2 ) = c o v ( y i , t − 1 , y i , t − 2 − y i , t − 3 ) ≠ 0 cov(y_{i,t-1},\Delta y_{i, t-2})=cov(y_{i,t-1}, y_{i, t-2}-y_{i, t-3})\ne 0 cov(yi,t−1,Δyi,t−2)=cov(yi,t−1,yi,t−2−yi,t−3)=0
注: y i t y_{it} yit具有持续性。
- 外生性条件:
c o v ( Δ y i , t − s , ( u i + ε i t ) ) = c o v ( Δ y i , t − s , u i ) + c o v ( Δ y i , t − s ε i t ) cov(\Delta y_{i, t-s},(u_i+\varepsilon_{it}))=cov(\Delta y_{i, t-s},u_i)+cov(\Delta y_{i, t-s}\varepsilon_{it}) cov(Δyi,t−s,(ui+εit))=cov(Δyi,t−s,ui)+cov(Δyi,t−sεit)
假定等式右边第一部分为0,即个体固定效应与工具变量不相关(现实数据不一定满足);等式右边第二项
E
(
Δ
y
i
,
t
−
s
ε
i
t
)
=
E
(
y
i
,
t
−
s
ε
i
t
)
−
E
(
y
i
,
t
−
s
−
1
ε
i
t
)
=
0
−
0
=
0
,
s
≥
1
\mathrm{E}\left(\Delta y_{i, t-s} \varepsilon_{i t}\right)=\mathrm{E}\left(y_{i, t-s} \varepsilon_{i t}\right)-\mathrm{E}\left(y_{i, t-s-1} \varepsilon_{i t}\right)=0-0=0, \quad s \geq 1
E(Δyi,t−sεit)=E(yi,t−sεit)−E(yi,t−s−1εit)=0−0=0,s≥1
称满足上述条件工具变量满足,使用
{
Δ
y
i
,
t
−
1
,
Δ
y
i
,
t
−
2
,
⋯
}
\left\{\Delta y_{i, t-1}, \Delta y_{i, t-2}, \cdots\right\}
{Δyi,t−1,Δyi,t−2,⋯}对水平方差进行GMM估计,称为水平GMM方法
4 系统GMM
系统GMM即将差分GMM与水平GMM结合在一起(Blundell and Bond(1998)),在差分GMM基础上引入新的矩条件
E
[
Δ
y
i
,
t
−
1
(
u
i
+
ε
i
t
)
]
=
0
\mathrm{E}\left[\Delta y_{i, t-1}\left(u_{i}+\varepsilon_{i t}\right)\right]=0
E[Δyi,t−1(ui+εit)]=0
系统GMM优点与局限
- 提高估计效率(小样本)
- 可以估计非时变变量系数
- 必须满足 c o v ( Δ y i , t − s , u i ) = 0 , s > 1 cov(\Delta y_{i, t-s},u_i)=0,s>1 cov(Δyi,t−s,ui)=0,s>1
5 R操作
第一步:使用计量包plm即可,安装与加载plm,并使用pgmm函数
install.packages("plm")
library(plm)
data("EmplUK", package = "plm") # 加载数据
数据不做介绍了。第二步:
## Arellano and Bond (1991), table 4 col. b
z1 <- pgmm(log(emp) ~ lag(log(emp), 1:2) + lag(log(wage), 0:1)
+ log(capital) + lag(log(output), 0:1) | lag(log(emp), 2:99),
data = EmplUK, effect = "twoways", model = "twosteps")
summary(z1, robust = FALSE)
# Twoways effects Two steps model
#
# Call:
# pgmm(formula = log(emp) ~ lag(log(emp), 1:2) + lag(log(wage),
# 0:1) + log(capital) + lag(log(output), 0:1) | lag(log(emp),
# 2:99), data = EmplUK, effect = "twoways", model = "twosteps")
#
# Unbalanced Panel: n = 140, T = 7-9, N = 1031
#
# Number of Observations Used: 611
#
# Residuals:
# Min. 1st Qu. Median Mean 3rd Qu. Max.
# -0.6190677 -0.0255683 0.0000000 -0.0001339 0.0332013 0.6410272
#
# Coefficients:
# Estimate Std. Error z-value Pr(>|z|)
# lag(log(emp), 1:2)1 0.474151 0.085303 5.5584 2.722e-08 ***
# lag(log(emp), 1:2)2 -0.052967 0.027284 -1.9413 0.0522200 .
# lag(log(wage), 0:1)0 -0.513205 0.049345 -10.4003 < 2.2e-16 ***
# lag(log(wage), 0:1)1 0.224640 0.080063 2.8058 0.0050192 **
# log(capital) 0.292723 0.039463 7.4177 1.191e-13 ***
# lag(log(output), 0:1)0 0.609775 0.108524 5.6188 1.923e-08 ***
# lag(log(output), 0:1)1 -0.446373 0.124815 -3.5763 0.0003485 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
# Sargan test: chisq(25) = 30.11247 (p-value = 0.22011)
# Autocorrelation test (1): normal = -2.427829 (p-value = 0.01519)
# Autocorrelation test (2): normal = -0.3325401 (p-value = 0.73948)
# Wald test for coefficients: chisq(7) = 371.9877 (p-value = < 2.22e-16)
# Wald test for time dummies: chisq(6) = 26.9045 (p-value = 0.0001509)
动态面板主要关注过度识别检验Sargan与自相关AR(1)和AR(2)。怎么检验就不说了,具体方法help(pgmm),太困了不写了。
参考文献
陈强.高级计量经济学[M].高等教育出版社