面板数据（panel data）是指不同对象在不同时间上的指标数据。面板数据在计量经济学和实际生活中广泛存在。
今天这篇文章，想给大家介绍一下面板数据如何在SPSSAU中实现。
上传格式
面板模型是针对面板数据进行分析，面板数据是一种特殊的数据格式。比如当前研究100家公司5年的财务数据。100家公司，每家5年，最终会有100*5=500行数据。
如果说100家公司全部都有完整的5年数据，即100*5=500行数据，这种叫平衡面板数据。如果说某家公司只有3年的数据，意味着有2年的缺失数据，这种叫非平衡面板数据。
使用SPSSAU进行分析时，‘个体ID’就是下图中的‘公司编号’，‘时间’就是下图中的‘年份’。‘公司编号’一般是指上市公司的股票代码，也或者只是个编号均可；‘年份’一般是指年或者时间点。‘公司编号’和‘年份’两项共同用于告诉系统当前为面板数据，通常无其它意义。
描述性分析
如果要进行描述性分析，可使用SPSSAU[通用方法]--[描述]进行分析。
与常用的数据格式不同，用面板数据分析时需要筛选出各年数据即可进行分析。
面板数据回归分析
一、数据格式
如下图中，展示的就是一个面板数据的例子。数据为9个地区2008~2018共11年的各项经济指标数据。
地区列反映的是数据不同的截面，即不同的研究个体。日期列反映了数据的时序性，即反映不同时期的数据。面板数据是二者的结合，上传数据时需要注意标识出研究个体编号（地区）和时间点（年份）分别是什么。
二、模型识别
面板数据进行回归影响关系研究时，即称为面板模型（面板回归）。
一般情况下，面板模型可分为三种类型，分别是FE模型（固定效应模型），POOL模型(就是普通的OLS回归)和RE模型（随机效应模型）。
最终应该选择哪个模型，可通过各个检验进行判断。SPSSAU分别进行F检验，BP检验和Hausman检验（豪斯曼检验）,结合三个检验，最终判断出哪个模型最优。
如果是经济类数据，多数情况下FE模型更优，因而很多研究直接默认不检验直接使用FE模型；一般情况下，三种模型的选择上有区别，但结论上一般区别不会太大。
三、SPSSAU操作
案例：这里我们以上面提到的9个地区的11年的数据作为案例数据，用以说明。
数据中包括X1(城乡居民年末储蓄存款), X2(年末常住人口), X3(城镇化率), X4(教育支出)共4个自变量，因变量为GDP。
-
操作步骤：点击【计量经济研究】→【面板模型】。
SPSSAU面板模型
研究4个自变量对于因变量GDP的影响，并且需要标识出面板数据，分别将地区和日期放入对应的‘个体ID’和‘时间’框中。
四、结果分析
-
回归分析
SPSSAU共输出3类表格，分别是检验汇总表格，面板模型结果汇总表格，模型中间过程结果表格。
-
通过F检验比较FE模型（固定效应模型）与POOL模型（混合估计模型）。
-
通过BP检验确定应该建立RE模型（随机效应模型）还是POOL模型。
-
通过Hausman检验选择FE模型或RE模型。
分析步骤参考SPSSAU提供的“分析建议”及“智能分析”。本案例中通过检验给出最终选择“FE模型”。
SSPSSAU会提供多种模型，我们只需要以FE模型结果过作为标准。
SPSSAU分析结果
从表格中可以看出：针对X1(城乡居民年末储蓄存款)而言，其呈现出0.01水平的显著性(t =11.880,p =0.000<0.01)，并且回归系数值为0.967>0，说明X1(城乡居民年末储蓄存款)对GDP会产生显著的正向影响关系。
针对X2(年末常住人口)而言，其并没有呈现出显著性(t =1.623,p =0.108>0.05)，因而说明X2(年末常住人口)对GDP不会产生影响关系。
针对X3(城镇化率)而言，其呈现出0.01水平的显著性(t =-4.073,p =0.000<0.01)，并且回归系数值为-1.076<0，说明X3(城镇化率)对GDP会产生显著的负向影响关系。
针对X4(教育支出)而言，其并没有呈现出显著性(t =1.461,p =0.148>0.05)，因而说明X4(教育支出)对GDP不会产生影响关系。
网友评论