动态面板模型与R

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
$$y_{it}=\alpha +\rho y_{i,t-1}+\beta x_{it}+{\mu }_i+{\epsilon }_{it}$$
其中$i=1,2,\dots N$,$t=2,3\dots T$，$a$为常数，${\mu }_i$为个体异质性，$\epsilon$为扰动项，$\alpha$是常数项，$\rho$是被解释变量滞后系数；$\beta$为自变量，${\epsilon }_{it}$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$Cov(y_{i,t-1},{\mu }_i)\ne 0$(无论被解释变量在时间上如何变化，${\mu }_i$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
$$y_{it}-{\bar{y}}_i=\rho \left(y_{i,t-1}-{\overline{Ly}}_i\right)+\beta \left(x_{it}-{\bar{x}}_i\right)+\left({\epsilon }_{it}-{\bar{\epsilon }}_i\right)(t=2,\cdots ,T)$$
其中${\bar{y}}_i\equiv \frac{1}{T-1}{\sum }_{t=2}^T{y}_{it}$,${\overline{Ly}}_i=\frac{1}{T-1}{\sum }_{t=2}^T{y}_{i,t-1}$,${\bar{\epsilon }}_i=\frac{1}{T-1}{\sum }_{t=2}^T{\epsilon }_{it}$。因此$Cov(\left(y_{i,t-1}-{\overline{Ly}}_i\right),\left({\epsilon }_{it}-{\bar{\epsilon }}_i\right))\ne 0$，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，
$$\Delta y_{it}=\rho \Delta y_{i,t-1}+\beta \Delta x_{it}+\Delta {\epsilon }_{it}$$
称为动态面板的差分方程；由于
$$\begin{array}{rl}Cov(\Delta y_{i,t-1},\Delta {\epsilon }_{it})& =Cov(y_{it}-y_{i,t-1},{\epsilon }_{it}-{\epsilon }_{i,t-1})\\ & =Cov(y_{it},{\epsilon }_{it})+Cov(y_{it},{\epsilon }_{i,t-1})+Cov(y_{i,t-1},{\epsilon }_{i,t-1})\ne 0\end{array}$$
故使用差分方法后，动态面板的差分方程也存在内生性，且$\Delta y_{i,t-1}$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$T$的面板数据，由于$\Delta y_{i,t-1}=y_{i,t-1}-y_{i.t-2}$为内生变量，扰动项为$\Delta {\epsilon }_{it}={\epsilon }_{it}-{\epsilon }_{i,t-1}$,因此工具变量可以取$y_{i,t-2}$,因为它既满足相关性，又满足外生性
$$\{\begin{array}{l}Cov(y_{i,t-2},y_{i,t-1}-y_{i.t-2})\ne 0\\ Cov(y_{i,t-2},{\epsilon }_{it}-{\epsilon }_{i,t-1})=0\end{array}$$
同理，$y_{i,t-3},y_{i,t-4},\dots y_{i1}$都可视为内生变量$\Delta y_{i,t-1}=y_{i,t-1}-y_{i.t-2}$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
$$t-2+t-3+\cdots +1=\frac{(t-1)(t-2)}{2}$$
当然，这里需要假设解释变量$x$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
$$\frac{(t-1)(t-2)}{2}+K+1$$
其中$K$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${\epsilon }_{it}$为白噪声，故差分方程(3)中新的扰动项
$$v_{it}=\Delta {\epsilon }_{it}={\epsilon }_{it}-{\epsilon }_{i,t-1}$$
一定存在一阶序列相关，证明如下
$$\begin{array}{rl}Cov(v_{it},v_{i,t-1})=& Cov({\epsilon }_{it}-{\epsilon }_{i,t-1},{\epsilon }_{i,t-1}-{\epsilon }_{i,t-2})\\ =& -Cov({\epsilon }_{i,t-1},{\epsilon }_{i,t-1})=-{\sigma }_{\epsilon }^2\ne 0\end{array}$$
但不存在高阶序列相关，证明
$$\begin{array}{rl}Cov(v_{it},v_{i,t-2})=& Cov({\epsilon }_{it}-{\epsilon }_{i,t-1},{\epsilon }_{i,t-2}-{\epsilon }_{i,t-3})=0\end{array}$$
差分方程扰动项的方差
$$Cov(v_{it},v_{it})=E({\epsilon }_{it}-{\epsilon }_{i,t-1}{)}^2=2{\sigma }_{\epsilon }^2$$
故新的扰动项的一阶相关系数为
$${\rho }_{v1}=-\frac{-{\sigma }_{\epsilon }^2}{2{\sigma }_{\epsilon }^2}=-0.5$$
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$\Delta x_{it}=x_{i,t}-x_{i,t-1}$与差分方差中的扰动项$\Delta {\epsilon }_{it}={\epsilon }_{it}-{\epsilon }_{i,t-1}$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$\Delta x_{it}$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$t$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$y_{it}$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
$$y_{it}=\alpha +\rho y_{i,t-1}+\beta x_{it}+{\mu }_i+{\epsilon }_{it}$$
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$y_{i,t-1}$的工具变量

• 相关性条件：

$$cov(y_{i,t-1},\Delta y_{i,t-1})=cov(y_{i,t-1},y_{i,t-1}-y_{i,t-2})\ne 0$$

$$cov(y_{i,t-1},\Delta y_{i,t-2})=cov(y_{i,t-1},y_{i,t-2}-y_{i,t-3})\ne 0$$

注：$y_{it}$具有持续性。

• 外生性条件：

$$cov(\Delta y_{i,t-s},(u_i+{\epsilon }_{it}))=cov(\Delta y_{i,t-s},u_i)+cov(\Delta y_{i,t-s}{\epsilon }_{it})$$

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
$$\mathrm{E}\left(\Delta y_{i,t-s}{\epsilon }_{it}\right)=\mathrm{E}\left(y_{i,t-s}{\epsilon }_{it}\right)-\mathrm{E}\left(y_{i,t-s-1}{\epsilon }_{it}\right)=0-0=0,s\ge 1$$
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
$$\mathrm{E}\left[\Delta y_{i,t-1}\left(u_i+{\epsilon }_{it}\right)\right]=0$$
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$cov(\Delta y_{i,t-s},u_i)=0,s>1$

---

5 R代码

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。

---

-END-

参考文献

陈强.高级计量经济学[M].高等教育出版社