具有并发相关性的固定效果面板模型 - Matlab＆Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

固定效果面板模型具有并发相关性

此示例显示如何使用面板数据分析mvregress.．首先，利用普通最小二乘法(OLS)拟合出具有并行相关性的固定效应模型。然后，利用估计误差协方差矩阵得到回归系数的面板校正标准误差。

加载样本数据。
定义变量。
按类别对数据进行分组。
绘制由不同类别分组的数据。
格式响应数据。
格式化设计矩阵。
适合模型。
绘图拟合模型。
残余相关性。
面板修正了标准误差。

加载样本数据。

加载示例面板数据。

加载Paneldata.

数据集数组，Paneldata.，含有八个城市的年度观察6年。这是模拟数据。

定义变量。

第一个变量，生长，衡量经济增长（响应变量）。第二个和第三个变量分别是城市和年度指标。最后变量，采用，措施就业（预测变量）。

y = paneldata.growth;城市= Paneldata.City;年= paneldata.year;x = paneldata.employ;

按类别对数据进行分组。

要查找潜在的城市特定的固定效果，请创建由城市分组的响应的盒子图。

图（）boxplot（y，city）xlabel（'城市'）

城市之间的平均反应似乎没有任何系统差异。

绘制由不同类别分组的数据。

要查找潜在的年度特定的固定效果，请创建一年中分组的响应的框绘图。

图（）boxplot（y，年）xlabel（'年'）

似乎存在于岁月之间的平均反应中系统差异的一些证据。

格式响应数据。

让y_IJ.表示对城市的回应j= 1，......，D.，在一年中一世= 1，......，N．相似地，X_IJ.是预测变量的相应值。在这个例子中，N= 6和D.= 8。

考虑拟合一年特定的固定效果模型，同年城市之间的持续坡度和并发相关性，

$y_{一世 j} = α_{一世} + β_{1} X_{一世 j} + ε_{一世 j} 那一世 = 1 那 ...... 那 N 那 j = 1 那 ...... 那 D. 那$

在哪里 $ε_{一世} = （ ε_{一世 1} 那 ...... 那 ε_{一世 D.} ）^{'} 〜 m V. N （ 0. 那 Σ ）$ ．同时存在的相关性解释了任何无法测量的、时间静态的因素，这些因素可能对某些城市的增长产生类似的影响。例如，空间接近的城市可能更有可能有相似的经济增长。

使用此模型使用mvregress.，将响应数据重写为一个N-经过-D.矩阵。

n = 6;d = 8;Y = REPAPE（Y，N，D）;

格式化设计矩阵。

创建一个长度,N细胞阵列D.-经过-K.设计矩阵。对于这个模型，有K.= 7个参数（D.= 6个截距项和一个斜率)。

假设参数的向量被安排为

$β = （ \begin{array}{l} α_{1} \\ α_{2} \\ ⋮ \\ α_{6.} \\ β_{1} \end{array} ）．$

在这种情况下，第一年的第一个设计矩阵是这样的

$X {1} = （ \begin{matrix} 1 & 0. & \dots & 0. & X_{11.} \\ 1 & 0. & \dots & 0. & X_{12.} \\ ⋮ & ⋮ & \dots & 0. & ⋮ \\ 1 & 0. & \dots & 0. & X_{18.} \end{matrix} ）那$

第二年的第二个设计矩阵是这样的

$X {2} = （ \begin{matrix} 0. & 1 & 0. & \dots & 0. & X_{21.} \\ 0. & 1 & 0. & \dots & 0. & X_{22.} \\ ⋮ & ⋮ & 0. & \dots & 0. & ⋮ \\ 0. & 1 & 0. & \dots & 0. & X_{28.} \end{matrix} ）．$

其余4年的设计矩阵是相似的。

k = 7;n = n * d;x =单元格（n，1）;为了i = 1:n x0 = 0 (d,K-1);x0(:,我)= 1;X{我}= (x0, X(我:n: n)];结尾

适合模型。

使用普通最小二乘（OLS）拟合模型。

[b,团体,E, V] = mvregress (X, Y,'算法'那'cwls'）;B.

B = 41.6878 26.1864 -64.5107 11.0924 -59.1872 71.3313 4.9525

绘图拟合模型。

xx = linspace（min（x），max（x））;AXX = REPMAT（B（1：K-1），1，长度（XX））;bxx = repmat（b（k）* xx，n，1）;Yhat = Axx + Bxx;图（）hpepts = g箭偶（x，y，年）;抓住在线=情节(xx, yhat);为了i = 1: n组(线(我),'颜色'得到(hPoints(我),'颜色'））;结尾抓住离开

具有年度特定拦截和公共斜率的模型似乎非常适合数据。

残余相关性。

绘制剩余的残留物，逐年分组。

图（）g箭牌（年，E（:)，城市）ylabel（'残留'）

残差图表明存在并发相关。例如，第1、2、3和4个城市作为一个整体在任何一年里都是高于或低于平均水平的。对于城市5、6、7和8的集合也是如此。正如在探索地块中所看到的，没有系统的城市特定效应。

面板修正了标准误差。

使用估计的误差方差 - 协方差矩阵来计算面板纠正的回归系数的标准错误。

XX = cell2mat (X);S = kron(眼(n)、团体);Vpcse =发票(XX * XX) * XX的* * XX *发票(XX ' * XX);se =√诊断接头(Vpcse))

Se = 9.3750 8.6698 9.3406 9.4286 9.5729 8.8207 0.1527

也可以看看

mvregress.|mvregresslike.