面板數據（panel data）是指不同對象在不同時間上的指標數據。目前面板數據被廣泛地應用於經濟研究中。本文簡單介紹下，使用SPSSAU進行面板數據回歸分析步驟。
一、數據格式
下圖中，展示的就是一個面板數據的例子。數據為9個地區2008~2018共11年的各項經濟指標數據。
地區列反映的是數據不同的截面，即不同的研究個體。日期列反映了數據的時序性，即反映不同時期的數據。面板數據是二者的結合，上傳數據時需要注意標識出研究個體編號（地區）和時間點（年份）分別是什么。
二、模型識別
面板數據進行回歸影響關系研究時，即稱為面板模型（面板回歸）。一般情況下，面板模型可分為三種類型，分別是FE模型（固定效應模型），POOL模型(混合估計模型)和RE模型（隨機效應模型）。
最終應該選擇哪個模型，可通過各個檢驗進行判斷。SPSSAU分別進行F檢驗，BP檢驗和Hausman檢驗（豪斯曼檢驗）,結合三個檢驗，最終判斷出哪個模型最優。
如果是經濟類數據，多數情況下FE模型更優，因而很多研究直接默認不檢驗直接使用FE模型；一般情況下，三種模型的選擇上有區別，但結論上一般區別不會太大。
三、SPSSAU操作
案例：這里我們以上面提到的9個地區的11年的數據作為案例數據，用以說明。
數據中包括X1(城鄉居民年末儲蓄存款), X2(年末常住人口), X3(城鎮化率), X4(教育支出)共4個自變量，因變量為GDP。
操作步驟：點擊【計量經濟研究】→【面板模型】。
研究4個自變量對於因變量GDP的影響，並且需要標識出面板數據，分別將地區和日期放入對應的‘個體ID’和‘時間’框中。
四、結果分析
SPSSAU共輸出3類表格，分別是檢驗匯總表格，面板模型結果匯總表格，模型中間過程結果表格。
- 通過F檢驗比較FE模型與POOL模。
- 通過BP檢驗確定應該建立RE模型還是POOL模型。
- 通過Hausman檢驗選擇FE模型或RE模型。
分析步驟參考SPSSAU提供的“分析建議”及“智能分析”。本案例中通過檢驗給出最終選擇“FE模型”。
SPSSAU會提供全部三種模型的分析結果，我們只需要以FE模型結果作為標准。
從表格中可以看出：針對X1(城鄉居民年末儲蓄存款)而言，其呈現出0.01水平的顯著性(t =11.880,p =0.000 <0.01)，並且回歸系數值為0.967>0，說明X1(城鄉居民年末儲蓄存款)對GDP會產生顯著的正向影響關系。
針對X2(年末常住人口)而言，其並沒有呈現出顯著性(t =1.623,p =0.108>0.05)，因而說明X2(年末常住人口)對GDP不會產生影響關系。
針對X3(城鎮化率)而言，其呈現出0.01水平的顯著性(t =-4.073,p =0.000 <0.01)，並且回歸系數值為-1.076<0，說明X3(城鎮化率)對GDP會產生顯著的負向影響關系。
針對X4(教育支出)而言，其並沒有呈現出顯著性(t =1.461,p =0.148>0.05)，因而說明X4(教育支出)對GDP不會產生影響關系。
每個模型的具體過程值可查看對應模型的“模型中間過程結果表格”，這里不再贅述。
有興趣的小伙伴可以登錄SPSSAU官網實際操作。
最后，附上案例數據鏈接：
https://spssau.com/front/spssau/helps/otherdocuments/spssaucasedata.html