R語言 面板數據分析 plm包實現（三）——面板數據與面板模型的檢驗數據樣式數據檢驗模型檢驗尾聲

目錄

• 數據樣式

• • 數據導入

• 數據檢驗

• • 繪制相關系數矩陣和相關性t檢驗矩陣

  • 繪制企業投資平均水平隨時間的變化

  • 序列相關性檢驗

• 模型檢驗

• • pool模型還是固定效應模型——F檢驗

  • 固定效應模型還是隨機效應模型——Hausman檢驗

  • LM檢驗

• 尾聲

我們知道，針對面板數據主要有四種模型，分別是：

1. pool模型->對變量去整體均值后進行 OLS 估計

2. 固定效應模型->對變量去個體均值后進行 OLS 估計

3. 隨機效應模型->對變量處理（減去個體均值的某個倍數）后進行 OLS 估計

4. 可變系數模型（隨機系數模型）->采用 GLS 估計

在 《R語言 面板數據分析 plm包實現（固定效應模型和組內模型）》 中對模型如何使用進行分析做演示，本文主要展示如何檢驗該使用何種模型。

下面依次介紹三種檢驗，在介紹前，特別強調：

1. WLS（加權最小二乘回歸）和FGLS都屬於GLS回歸。區別是前者方差矩陣可知，后者方差矩陣不知需估計。

2. 判斷選擇固定效應模型和隨機效應模型不能單憑傳統的hausman檢驗(Hausman, 1978)。因為傳統的hausman檢驗假設方差是同方差的，沒有考慮異方差問題，須使用異方差穩健的豪斯曼檢驗。

有數據集：Ex1_1.dta

數據樣式

點擊下載 其中FN代表公司，總共有三家；YR代表年份；I是總投資；F是企業實際價值；C是企業實際資本存量。

更多解釋：

數據導入

這個數據集是stata的數據集，因此在Rstudio中你可以選擇文件–>導入數據集（import dataset）–>導入stata文件，即可完成導入工作

此外，我好像在其它地方也看見過此數據集，如果你無法下載，可以在其它地方尋找數據集（我印象里是在某個面板相關的R程序包里自帶的數據集）。

很多童鞋反映數據集獲取困難，我把這個數據集上傳到 github的一個項目里了 （免費），注意，只有一個文件是數據集。如果有幫到你，請給文章點個贊哦~

數據檢驗

繪制相關系數矩陣和相關性t檢驗矩陣

    rankData<-pdata.frame(Ex1_1 ,index=c("FN","YR")) 
   mydata = Ex1_1[ , c(3,4,5)]
   # 相關系數矩陣
   library(Hmisc) # 加載包
   res <- cor(mydata)
   # 輸出相關系數矩陣，保留兩位小數
   round(res, 2)
   # 相關性的顯著性檢驗
   res2 <- rcorr(as.matrix(mydata))
   res2 
   # 結果都在p<0.01水平上顯著（第二幅圖的第二個矩陣）

繪制企業投資平均水平隨時間的變化

    frame = aggregate(I~YR,data=Ex1_1,mean) # YR（年份）作橫軸，I作縱軸
   # 繪制散點圖
   plot(frame,main = "投資隨年份變化情況",xlab = "年份（單位：年）",ylab = "各公司平均投資額度（單位：萬元）", family='STXihei')
   # 繪制擬合曲線（回歸方法）
   abline(lm(I~YR,data=Ex1_1),col = "red", lwd = 2 , lty = 1)

得到圖像如下：

序列相關性檢驗

考察企業的投資額的序列相關性，通常是重要一步

    # 導入plm包
   library("plm")
   # 模型的基本形式
   form = I ~ F + C
   # 序列相關性檢驗,默認參數effect = "individual"，此處未寫出
   pwartest(form, data = rankData)

在個體固定效應模型情況下，拒絕原假設，認為 存在序列相關性 。可以根據此對模型進行修改，比如在自變量中添加滯后一期的因變量I作為解釋變量。

下面進行模型檢驗。

模型檢驗

pool模型還是固定效應模型——F檢驗

pooltest()函數和pFtest()函數都可以做F檢驗，其原假設是能否認為所有時間或個體都具有相同的系數，這樣的話應當采用pool模型，即傳統的OLS回歸。

pool模型具體可參見 《R語言 面板數據分析 plm包實現（固定效應模型和組內模型）》 。

    # 如果拒絕零假設，采用individual維度的固定效應模型
   pooltest(form, data = rankData, model = "within")
   # 如果拒絕零假設，采用time維度的固定效應模型
   pooltest(form, data = rankData,effect = "time", model = "within")
   # 如果拒絕零假設，采用雙維度的固定效應模型
   pFtest(form, data = rankData,effect = "twoways", model = "within")

固定效應模型還是隨機效應模型——Hausman檢驗

固定效應模型和隨機效應模型的名字具有迷惑性，實際上二者都采用了隨機估計量，我們可以用Hausman檢驗來判斷哪一個適用（Hausman and Taylor 1981）。

拒絕零假設，采用固定效應模型；不拒絕，采用隨機效應模型。

上文提到數據可能存在自相關和異方差問題，因此我們也可以采用穩健的(robust) Hausman檢驗，下面的代碼展示了兩種，即穩健的和非穩健的。

    # 固定效應模型，注意參數是model = "within"
   mf = plm(form, data = rankData,effect = "twoways", model = "within")
   # 隨機效應模型
   mr = plm(form, data = rankData,effect = "twoways", model = "random")
   # 傳統 Hausman檢驗
   phtest(mf,mr)
   # 穩健的Hausman檢驗
   phtest(form, data = rankData, method = "aux", vcov = vcovHC)

檢驗結果： 從兩個結果看，都拒絕原假設，應當采用固定效應模型。

另外，如果沒有序列相關性，則隨機效應的最佳檢驗是Breusch和Godfrey的基於似然性的LM檢驗（Honda進行了改進）

LM檢驗

拒絕零假設，采用隨機效應模型；不拒絕，可能是固定效應模型或 Pooled 模型。

    # LM檢驗
   pbgtest(form,data=rankData,model="within")

從結果來看，Hausman和LM檢驗都指出應當使用固定效應模型。

尾聲

通常，檢驗部分結束，確定模型后，應當進入 模型分析部分 如果檢驗結果是隨機效應模型，且一些時間或個體存在數據缺失，應當使用Swamy Arora估計，如何用R語言來實現，參見這篇文章: R語言 面板數據如何做Swamy Arora估計 。

探究至此，文章中可能有錯誤，歡迎評論指出。