Eviews:三步搞定非平衡面板数据分析(上)

在上节Eviews系列知识中我们说到了数据的录入方法以及数据的相关类型录入方法,今天我们在之前数据录入的基础上来细节操作对于非平衡面板数据的Eviews录入以及简单的数据分析。

何为面板数据?

面板数据,即 Panel Data,也叫"平行数据",是指在时间序列上取多个截面,在这些截面上同时选取样本观测值所构成的样本数据。

或者说是一个m*n的数据矩阵,记载的是n个时间节点上,m个对象的某一数据指标。简言之,平衡面板数据说的是在样本期间,样本数量不变、样本个体不变且数据没有缺失,这样的条件对于真实数据的获取来说十分严格,因为有些样本个体虽然不变,但在某些年份某些变量值有缺失,或者个别样本个体在某些年份因为不可抗力因素或无法再跟踪或不满足条件就不再有数值。类似的,有些样本个体有可能新加进来,这类情况下所形成的数据便为非平衡面板数据。

基于此,我们在论文写作中遇到的大多数都是非平衡面板数据,针对非平衡的面板数据进行数据问题研究有很大的现实意义,那么在Eviews录入并分析是一个怎样的过程呢?今天我们分三步来实现非平衡面板的Eviews录入与分析。

准备工作:原始数据整理

当我们从各个统计网站、统计年鉴以及数据库获取原始数据时,数据的排列以及分类都是分散且不规整的,我们需要进行整理和计算,计算根据变量相应的计算公式进行,而整理是需要整理出能够符合软件的要求格式进行录入。

  根据面板数据的定义来进行数据的整理,n个时间节点,m个对象,在EXCEL里整理出的格式如下:

开始录入:非平衡面板的录入

首先,按照上节所述的打开Eviews软件,创建新的工作文件(File-New-Workfile),选择unstructured/undated(截面数据),observations处填写研究需要的也即收集到的总样本数,即上表中总共的数据行数,点击OK。

接着:空白处点击Object创建 new-object,分别创建 series alpha类型的code数据,以及series与类型的year数据,然后录入数据。

在录入我们需要的“year”和“code”两个序列时候,我们需要会进一步定义面板数据:

双击range,出现workfile-structure对话框,选择dated panel,在cross section ID series项输入code,在date series项输入year,需要注意右边点balance选项的对勾要去掉,不然eviews会自动填充缺失的时间,那样就又变成平衡面板数据啦!点击OK。这时可以发现多了一项dateid,这是重新编排好的非平衡面板数据,可以不用管它。

最后,做完上述步骤后,就可以正常录入数据了,在输入栏输入data  y  x1 x2 x3,按回车,从excle中复制过来数据即可。这样便在eviews中完成了非平衡面板数据的录入。

结果分析:非平衡面板数据分析

在前两步整理并录入数据之后,所要进行的便是数据的分析,对于非平衡面板数据在录入和主动定义之后步骤与平衡面板数据相同。

  首先是对数据做描述性统计:

录入变量后选中,打开成为一个组,点击view-Descriptive stata-common sample,得到描述性统计结果:

对于面板数据和时间序列一样需要进行平稳性检验,为了保证回归的真实性,避免伪回归。平稳性检验方法有很多例如:LLC、 IP、 Breintung、adf -Fisher-和pp–Fisher检验5种方法。这5种方式的原假设都是存在单位根(非平稳数据),当检验统计量的P值大于0.05时,接受原假设,反之则拒绝原假设。有的时候,为了方便研究,只选取针对面板数据的单位根检验方法:Fisher-ADF检验,此处我们也采用ADF检验。

点击View-Unit-root-test

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,761评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,953评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,998评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,248评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,130评论 4 356
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,145评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,550评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,236评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,510评论 1 291
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,601评论 2 310
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,376评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,247评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,613评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,911评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,191评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,532评论 2 342
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,739评论 2 335