基于分组模型的面板数据分析

基于分组模型的面板数据分析

论文摘要

面板数据由于其独特的数据结构受到了广大学者极大的重视.面板数据也称为纵向数据,是横截面数据与时间序列数据结合的产物.它是每个被观测个体在不同时刻重复观测得到的二维数据.面板数据不但可以提供个体间独立的信息,而且在时间上也能提供有延续性的信息.面板数据的优势是,可以利用一个维度的重复观测来研究另一个维度的问题.经典的面板数据模型是带有个体效应的静态面板数据模型和带有个体效应的动态面板数据模型.对这两类模型,很多学者投入了大量的精力,取得了丰富的研究成果.经典分析研究的主要焦点是如何消去个体效应,然后估计模型中的兴趣参数.进入二十一世纪以后,学者们在原有关注点的基础上,将问题扩展到如何对个体特征做出推断.基于学者们的研究成果,本文在经典问题和最新问题两个方面做了以下工作.首先,在经典动态面板数据模型中,广义矩估计(GMM)方法是应用最广的估计方法,但是当自回归系数接近于1时,GMM方法会出现非常严重的弱工具变量问题.针对这个问题,文章提出了两个新的工具变量估计.并且,从理论上证明了这两个方法不存在弱工具变量问题.对经典方法的改进一直是面板数据研究的重要内容.其次,文章提出了个体效应分组的面板数据模型和分组两阶段估计方法.先估计回归系数,再用K-means算法估计分组和组效应.与GFE方法相比,分组两阶段方法估计回归系数时,不受组间差异的影响,两个方法估计分组和组效应的效果相当.第三,文章提出了回归系数随时间和个体都有变化的面板数据模型.具体是:回归系数在时间上有突变,截面上有分组,不同的组突变程度不同.这个模型最大限度的利用了面板数据两个维度的优势,使得模型刻画的更加细致、解释能力大大加强.对于这个模型,我们提出了一个运算简单,但十分有效,且对突变非常敏感的估计方法.文章在两大方面进行了非常有意义的研究。一方面,在经典分析中提出了新的估计方法,有效的克服了弱工具变量问题。另一方面,在推断个体特征问题中提出了全新的模型和估计方法,这是一个重大的突破。

论文目录

  • 中文摘要
  • 英文摘要
  • 第一章 绪论
  •   1.1 概述
  •   1.2 面板数据的优势
  •   1.3 面板数据分析面临的挑战
  •     1.3.1 控制个体或时间上不可观测的异质性
  •     1.3.2 伴随参数问题和多维度统计
  •     1.3.3 样本损耗
  •   1.4 本文的主要工作和结构安排
  • 第二章 静态面板数据模型及其参数估计
  •   2.1 随机效应静态面板数据模型
  •   2.2 固定效应静态面板数据模型
  •     2.2.1 基于组内均值变换的固定效应估计
  •     2.2.2 基于一阶差分变换的固定效应估计
  •   2.3 解释变量中有内生变量的面板数据模型
  •     2.3.1 系统两阶段估计
  •     2.3.2 最优权阵系统工具变量估计
  • 第三章 动态面板数据模型及其参数估计
  •   3.1 动态面板数据误差分量模型研究现状
  •   3.2 初始状态问题
  •     3.2.1 初始状态为固定常数对估计量的影响
  •     3.2.2 初始状态为随机变量对估计量的影响
  •   3.3 动态面板数据误差分量模型常用估计方法
  • 第四章 部分固定效应动态面板数据模型的两阶段估计
  •   4.1 两阶段估计
  •   4.2 模拟数据分析
  •     4.2.1 两阶段估计有限样本性质的模拟实验
  •     4.2.2 与常用估计量的比较实验
  •   4.3 结论
  •   4.4 定理的证明
  • 第五章 固定效应动态面板数据模型的最优权阵估计
  •   5.1 最优权阵系统工具变量估计
  •   5.2 模拟数据分析
  •     5.2.1 最优权阵估计有限样本性质实验
  •     5.2.2 与常用方法的对比实验
  •   5.3 结论
  •   5.4 定理的证明
  • 第六章 固定效应带有组结构的面板数据模型及其估计
  •   6.1 K-means算法
  •   6.2 GFE方法
  •   6.3 固定效应分组的面板数据模型及分组两阶段估计
  •   6.4 模拟数据分析
  •   6.5 EmplUK数据分析
  •   6.6 结论
  •   6.7 定理的证明
  • 第七章 系数有突变和组结构的面板数据模型及其估计
  •   7.1 最小绝对值压缩和选择算子
  •   7.2 Group-Lasso
  •   7.3 回归系数带有组结构的面板数据模型
  •     7.3.1 Classifier-Lasso估计方法
  •     7.3.2 C-Lasso估计量的渐近性质
  •   7.4 回归系数带有时间突变点的面板数据模型
  •   7.5 突变后个体分组的面板数据模型及其估计方法
  •   7.6 模拟数据分析
  •   7.7 结论
  • 第八章 总结与讨论
  • 参考文献
  • 在学期间公开发表论文情况
  • 致谢
  • 文章来源

    类型: 博士论文

    作者: 曲昊

    导师: 高巍

    关键词: 面板数据,动态面板数据模型,内生变量,工具变量,弱工具变量,估计,算法,突变点,检验

    来源: 东北师范大学

    年度: 2019

    分类: 基础科学,经济与管理科学

    专业: 数学,宏观经济管理与可持续发展

    单位: 东北师范大学

    分类号: F224

    总页数: 132

    文件大小: 2024K

    下载量: 166

    相关论文文献

    • [1].缺失数据的填充及回归系数的条件部分根方估计[J]. 西南师范大学学报(自然科学版) 2010(06)
    • [2].平衡损失下有限总体回归系数的最优预测[J]. 东华理工大学学报(自然科学版) 2015(03)
    • [3].冉庄水资源实验站井灌回归系数的实验研究[J]. 地下水 2016(01)
    • [4].复杂抽样下截取因变量回归系数方差估计的模拟研究[J]. 中国卫生统计 2011(01)
    • [5].多元秩-序模型中回归系数的估计[J]. 高校应用数学学报A辑 2008(03)
    • [6].平衡损失下有限总体回归系数的稳健预测[J]. 黑龙江大学自然科学学报 2018(02)
    • [7].生长曲线模型中回归系数阵的一类线性估计的优良性[J]. 常熟理工学院学报 2008(04)
    • [8].基于回归系数检验的多元数据卡方图诊断法[J]. 军事交通学院学报 2014(10)
    • [9].相协误差下线性模型回归系数的置信域(英文)[J]. 工程数学学报 2015(02)
    • [10].加权平衡损失函数下回归系数的最佳线性无偏估计(英文)[J]. 应用概率统计 2014(03)
    • [11].平衡损失下回归系数的最优估计[J]. 湖北大学学报(自然科学版) 2010(03)
    • [12].回归系数一类线性估计的小样本性质[J]. 中国科学院研究生院学报 2009(03)
    • [13].广义回归系数的混合估计的相对效率[J]. 科学技术与工程 2008(02)
    • [14].慢性心力衰竭反复住院的多因素分析[J]. 上海医学 2014(12)
    • [15].线性回归模型回归系数的条件岭型估计[J]. 湖南工程学院学报(自然科学版) 2011(01)
    • [16].自回归系数的Bootstrap检验[J]. 科技创新导报 2011(13)
    • [17].聚集数据下回归系数混合估计的相对效率[J]. 数学的实践与认识 2012(18)
    • [18].两个半相依模型回归系数的改进估计[J]. 应用概率统计 2009(06)
    • [19].基于时间序列模型自回归系数灵敏度分析的结构损伤识别方法[J]. 工程力学 2008(10)
    • [20].矩阵损失下随机回归系数和参数的局部线性Minimax估计(英文)[J]. 复旦学报(自然科学版) 2013(02)
    • [21].平衡损失下回归系数的线性可容许性[J]. 广东工业大学学报 2010(01)
    • [22].回归系数的stein型广义主相关估计[J]. 山西师范大学学报(自然科学版) 2008(04)
    • [23].HIV/AIDS预后的Aalen模型分析[J]. 郑州大学学报(医学版) 2019(02)
    • [24].一类线性模型回归系数的广义平衡LS估计及其性质[J]. 科技创新导报 2008(04)
    • [25].利用回归系数和相关系数优化监测点位[J]. 河南科学 2008(07)
    • [26].回归系数LS估计的改进[J]. 河池学院学报 2011(05)
    • [27].利用小普查数据对“随机婚配”假定的再检验——兼论Logistic回归系数的可比性问题[J]. 人口与经济 2016(03)
    • [28].带线性约束的线性模型中回归系数的平衡LS估计[J]. 数学研究 2011(04)
    • [29].关于国家各地区城镇就业情况的实证分析[J]. 南方企业家 2018(02)
    • [30].具有相关关系的异常点对回归系数的影响[J]. 哈尔滨师范大学自然科学学报 2013(03)

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  

    基于分组模型的面板数据分析
    下载Doc文档

    猜你喜欢