面板数据模型及其在经济分析中的应用【面板数据模型分析】-百科知识-词汇网
面板数据模型及其在经济分析中的应用
关键词：&& 发表时间： 9:01:29
面板数据模型及其在经济分析中的应用作 者： 王志刚 著 出 版 社： 经济科学出版社 出版时间：
字 数： 280000 页 数： 204 开 本： 16开 纸 张： 胶版纸 I S B N ： 9 包 装： 平装 所属分类： 图书 >> 经济 >> 经济数学 定价：￥26.00
面板数据模型及其在经济分析中的利用
经济科学出版社
　　作　者： 王志刚 著 　　出 版 社： 经济科学出版社 　　出版时间： 2008⑼⑴
　　字　数： 280000
　　页　数： 204
　　开　本： 16开
　　纸　张： 胶版纸
　　I S B N ： 9
　　包　装： 平装
　　所属分类： 图书 >> 经济 >> 经济数学
　　定价：￥26.00
　　本书共分8个章节，分别就面板数据的静态模型，动态模型、单位根和协整分析，受限因变量、变系数模型和随机前沿模型等6大领域进行了全面探讨，侧重介绍静态模型、动态模型、单位根和协整分析。该书可供各大专院校作为教材使用，也可供从事相干工作的人员作为参考用书使用。
　　本书分别就面板数据的静态模型，动态模型、单位根和协整分析，受限因变量、变系数模型和随机前沿模型等6大领域进行了全面探讨，侧重介绍静态模型、动态模型、单位根和协整分析。 　　与同类作品比较，本书有3个突出特点：第1，经典例子多。结合最新的国际期刊论文――新政治经济学代表人物阿塞莫格鲁教授2003年的经典之作《财富的逆转》，卢卡斯的理性预期模型，经典的跨国经济增长收敛性检验等，通过提炼经典论文的要点，帮助读者更加深入地思考和熟练地掌握各种面板数据分析方法。第2，实用性强。结合国外比较流行的计量软件Stata进行深入浅出的实战演练，并帮助经济研究人员用较短的时间、全面系统地掌握面板数据模型。第3，覆盖面广。它触及面板数据模型的众多领域。
　　王志刚，1976年生，2005年毕业于北京大学光华管理学院利用经济系国民经济专业，获经济学博士学位，现就职于财政部财政科学研究所。
　　前后在《管理世界》、《中国社会科学》、《财政研究》、《税务研究》等国家级核心期叫发表论文多篇；年，前后担负《中因社会科学》、《经济研究》、《金融研究》的匿名审稿人；参加第2届(2002年)、第4届(2004年)中国青年经济学者论坛；合作论文收录于联合国大学世界发展经济学研究所与中国社会科学院人口与劳动经济研究所于2005年4月如开的“收入分配差距与贫困问题研讨会”。另外，参与多项国家级、省部级课题研究；2008年接受世界银行和北京大学教育财政所为期1年半的年轻学者计划资助，并主持其中课题1项。
　　现研究领域包括：财税政策评估、宏观经济学、利用计量经济学、政治经济学。
　　第1章 引言 　　第1节 面板数据发展历程 　　1、面板数据分类 　　2、面板模型的优势和不足 　　第2节 面板数据在社会科学中的利用 　　第2章 静态面板模型 　　第1节 遗漏变量问题 　　1、遗漏变量 　　2、个体效应模型 　　第2节 随机和固定效应模型 　　1、基本概念 　　2、等相干模型 　　3、固定效应还是随机效应模型 　　4、严格外生假定 　　第3节 各类面板估计量 　　1、混合回归估计量 　　2、组间估计量 　　3、组内估计量或固定效应估计量 　　4、1次差分估计量 　　5、随机效应估计量――可行广义最小2乘法 　　6、双因子效应模型 　　第4节 面板模型的稳健标准差 　　1、面板稳健标准差 　　2、面板自助标准差 　　第5节 各类检验 　　1、混合回归模型对随机效应模型 　　2、混合回归模型对固定效应模型 　　3、随机效应对固定效应：豪斯曼检验 　　4、各种自相干检验 　　5、群组间的异方差 　　第6节 非平衡面板数据 　　第7节 预测 　　第8节 统计量的特点比较 　　第9节 软件命令和利用实例 　　1、面板模型的软件命令 　　2、利用实例 　　第3章 动态面板数据模型 　　第1节 工具变量法和广义矩估计 　　1、工具变量法 　　2、2步法工具变量回归 　　3、广义矩估计 　　4、各种检验 　　第2节 工具变量的选取 　　1、同期外生假定 　　2、弱外生假定 　　3、强外生假定 　　4、过量的工具变量 　　5、相干的软件命令 　　6、利用实例 　　第3节 严格外生性条件的违背和初始条件 　　1、基本假定 　　2、最简单的动态模型 　　3、各种检验 　　第4节 动态面板模型的带虚拟变量固定效应估计 　　1、动态模型 　　2、软件命令 　　第5节 面板模型工具变量法和广义矩估计 　　1、基本模型 　　2、1阶差分估计 　　3、广义矩估计 　　4、各种检验 　　第6节 动态面板数据的蒙特卡罗分析 　　1、模型设定 　　2、软件命令 　　第7节 极大似然估计 　　第8节 进1步讨论 　　第9节 2次差分估计量 　　1、1次差分 　　2、2次差分 　　第10节 利用实例 　　1、生产函数估计 　　2、增长的收敛性验证 　　3、就业方程估计 　　4、卢卡斯理性预期模型的广义矩估计 　　第11节 软件命令操作 　　1、差分方程估计的软件命令 　　2、系统广义矩估计 　　3、各种命令对照分析 　　第4章 面板数据的单根检验和协整分析 　　第1节 面板数据单位根检验方法 　　1、数据生成进程 　　2、莱文-林检验 　　3、伊姆-皮萨然-申检验 　　4、哈德里检验 　　第2节 面板协整检验 　　1、考检验 　　2、基于残差的拉格朗日乘数检验 　　3、佩德罗尼检验 　　4、似然比检验 　　第3节 面板的误差修正模型 　　1、误差修正检验 　　2、面板检验统计量 　　3、误差修正检验统计量的渐近散布 　　4、存在截面相干时的检验统计量 　　第4节 利用实例 　　1、面板单位根检验 　　2、面板协整检验和误差修正模型 　　第5节 软件命令 　　第5章 面板受限因变量模型 　　第1节 2元选择模型 　　第2节 静态面板离散选择模型 　　1、2元选择模型 　　2、固定效应的逻辑模型 　　3、随机效应的几率单位模型 　　4、面板随机效应托比模型 　　第3节 动态面板离散选择模型 　　第4节 选择性样本和面板数据磨损问题 　　1、选择性样本 　　2、赫克曼2步估计的几率单位模型 　　3、样本选择和面板模型 　　第5节 利用实例 　　第6章 变系数模型 　　第1节 介绍 　　第2节 随横截面个体而变化的系数 　　1、固定系数模型 　　2、随机系数模型 　　第3节 系数随着时间和横截面单位同时产生变化 　　1、固定系数模型 　　2、随机系数模型 　　第4节 软件命令和利用实例 　　1、命令介绍 　　2、投资需求函数 　　第7章 随机前沿估计 　　第1节 随机前沿生产函数 　　1、随机前沿生产函数和技术效力 　　2、复合残差项的散布 　　第2节 异方差情形下的效力估计 　　1、随机扰动项具有异方差 　　2、无效力项具有异方差 　　3、随机扰动项和无效力项都具有异方差 　　第3节 面板数据的随机前沿生产函数 　　1、基本模型 　　2、随时间变化的技术无效力项 　　3、进1步讨论 　　4、非单调生产效力模型 　　第4节 软件命令和利用实例 　　1、命令介绍 　　2、中国生产效力估计(年) 　　第8章 Stata软件基本操作 　　第1节 Stata简介和网上资源 　　1、软件简介 　　2、网络资源 　　3、使用界面 　　第2节 软件的基本操作 　　1、数据管理 　　2、命令的格式与基本命令 　　第3节 基本的回归分析 　　1、回归命令 　　2、预测的语法格式 　　3、回归诊断 　　4、利用实例 　　第4节 简单的编程 　　附录 Stata10.0所有手册和命令1览 　　参考文献 　　英文1中文人名索引 　　后记
　　第1章 引言 　　第1节 面板数据发展历程 　　微观计量经济学是计量经济学发展最快的领域之1，它涵盖的内容包括离散选择模型、面板数据模型、社会实验方法、计数数据（Count Data）模型、久期（Dura-tion）模型、分层（Stratified）与聚类（Clustered）样本模型、托比（Tobit）模型、样本选择（Sample Selection）模型等，其中面板数据模型的利用范围相当广泛，涵盖了诸多计量模型，这也是我们本书讨论的核心内容，下面我们来简单回顾其发展历程。 　　1986年，萧政（Hsiao Cheng）出版了第1本《面板数据分析》，同时期有29项研究触及这1个关键词：“面板数据（Panel Data）或纵列数据（Longitudinal Data）”。根据社会科学文献索引指数（SSCI），截至2003年，有580篇研究，到2004年到达了687篇。自从贝尔斯特拉（Balestra）和纳洛夫（Nerlove）于1966年发表了1篇研讨会议论文以来，对面板数据这1新的计量分析工具的利用获得了快速的发展。国际上已成立了专门研究Panel Data的协会，每两年举行1次全球学术交换大会，预会者都是从事Panel Data的经济学家、计量经济学家、统计学家和社会学家，大会强调除在计量经济学领域外，要扩大其利用领域，以发现新的分析方法和研究领域，特别强调在社会学、经济学包括金融学，和医学中的利用。2007年7月在中国厦门大学举行了第l4届国际面板数据大会，大会的主题发言代表了当前面板数据研究所获得的使人振奋的最新进展①，再次表明了这1分析工具的重要地位和国际影响力，也势必对中国面板数据模型的利用起到积极的推动作用。 　　……
上一集:没有了 下一集:
相关文章：&&&&&&&&
最新添加资讯
24小时热门资讯
附近好友搜索【图文】面板数据模型_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
面板数据模型
上传于||暂无简介
大小：267.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢创新_企业规模和市场竞争_基于中国企业层面的面板数据分析_聂辉华_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
创新_企业规模和市场竞争_基于中国企业层面的面板数据分析_聂辉华
上传于||暂无简介
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
下载文档到电脑，查找使用更方便
还剩7页未读，继续阅读
你可能喜欢stata中处理面板数据、工具变量选择和HAUSMAN检验的若干问题（转）
第一节 关于面板数据PANEL DATA
1、面板数据回归为什么好
一般而言，面板数据模型的误差项由两部分组成，一部分是与个体观察单位有关的，它概括了所有影响被解释变量，但不随时间变化的因素，因此，面板数据模型也常常被成为非观测效应模型；另外一部分概括了因截面因时间而变化的不可观测因素，通常被成为特异性误差或特异扰动项（事实上这第二部分误差还可分成两部分，一部分是不因截面变化但随时间变化的非观测因素对应的误差项Vt，这一部分一般大家的处理办法是通过在模型中引入时间虚拟变量来加以剥离和控制，另一部分才是因截面因时间而变化的不可观测因素。不过一般计量经济学的面板数据分析中都主要讨论两部分，在更高级一点的统计学或计量经济学中会讨论误差分量模型，它一般讨论三部分误差）。
非观测效应模型一般根据对时不变非观测效应的不同假设可分为固定效应模型和随机效应模型。传统上，大家都习惯这样分类：如果把非观测效应看做是各个截面或个体特有的可估计参数，并且不随时间而变化，则模型为固定效应模型；如果把非观测效应看作随机变量，并且符合一个特定的分布，则模型为随机效应模型。
不过，上述定义不是十分严谨，而且一个非常容易让人产生误解的地方是似乎固定效应模型中的非观测效应是随时间不变的，是固定的，而随机效应模型中的非观测效应则不是固定的，而是随时间变化的。
一个逻辑上比较一致和严谨，并且越来越为大家所接受的假设是（参见Wooldridge的教材和Mundlak1978年的论文），不论固定效应还是随机效应都是随机的，都是概括了那些没有观测到的，不随时间而变化的，但影响被解释变量的因素（尤其当截面个体比较大的时候，这种假设是比较合理的）。非观测效应究竟应假设为固定效应还是随机效应，关键看这部分不随时间变化的非观测效应对应的因素是否与模型中控制的观测到的解释变量相关，如果这个效应与可观测的解释变量不相关，则这个效应成为随机效应。这也正是HAUSMAN设定检验所需要检验的假说。
非观测效应模型因为对非观测效应假设的不同，因为使用面板数据信息的不同，可以用不同方法来估计并且得到不同的估计量，一般有四个：
（1）组内估计量（WITHIN ESTIMATOR）（FE或FD: First Difference）
（2）组间估计量（BETWEEN ESTIMATOR）
（3）混合OLS估计量（POOLED OLS ESTIMATOR）
（4）随机效应估计量（RE，GLS或FGLS估计量）
这四个估计量因为假设和使用信息的不同而不同，各有优劣势，相互之间也有密切关系。3和4分别是1和2的加权平均；4在特定的假设分别可以转化成1和3；如果HAUSMAN检验表明4和1没有区别的时候意味着1和2没有区别。
RE假设未观察因素与解释变量是正交的，只不过在未观察因素里有两个部分，一是
* 此短文适用于对于面板数据和工具变量已经有初步了解的人士，阅读过中级教材的相关内容。本文仅供参考，如果存在错误，请与联系，以便及时纠正。请原谅中英文混用。中国科学院的徐志刚博士一一指明了此文存在的错误，并且对原文中存在的不足作了大量的补充，特表示感谢。
与个体单位有关的，二是完全随机的，RE在做估计的时候，是用这两个部分的方差计算出一个指数λ，来做quasi-demean，也就是说在去平均的时候是用原值的y或x减去λ乘以y或x的均值，然后用GLS估计。极端地，当λ为0时，非观测效应是一个常数，并且所有个体都一样，就等价于Pooled
OLS，当λ为1时，说明完全随机的部分可以忽略，所有未观察因素都是与单位有关的，于是就等价于FE。但FE不需要假定未观察因素与解释变量是正交的，在做FE时，固定效应都被差分掉了，所以也可得到consistent的结果。
PANEL数据的好处之一是，如果未观察到的是固定效应，那么在做DEMEAN时，未观察因素就被差分掉了。这样就可以减少由于未观察的因素可能与解释变量相关而导致的内生性问题。
2、那么PANEL的FE或RE分析就避免了内生性问题吗？
只能说好一些，如果内生的问题只是由于与单位有关的并不随时间变化的遗漏变量与解释变量有关造成的，这时，数据的差分就解决了问题，但是，别忘记还有一部分误差，如果这部分误差里包含的因素也可能影响解释变量，那么，差分只能解决前面讲的问题，由随机项里包括的因素与解释变量之间的关系导致的内生性问题还可能存在。
3、怎么办？
找IV解决。类似于在OLS基础上找IV，但对PANEL的工具应该具有PANEL结构，除非你基础的估计没有使用PANEL的方法，比如说对数据用了pooled
OLS方法，但能够用pooled OLS方法分析PANEL DATA的条件是很严格的。
第二节 关于工具变量选择
IV应该尽量是外生的（如历史/自然/气候/地理之类），它应该在理论上对被解释变量（以下称Y）没有直接影响，但应该通过影响被工具的变量（以下称X）而间接影响被解释变量Y。
如果上述理论逻辑通的话，将内生变量X作为解释变量，IV和其他变量（X2）作为解释变量，看IV是否显著，它应该显著。如果选了多个IV，就用F
TEST看其是否都不显著。同时，如果在多个IV中，有一个是确定为外生的，那么，可以用Sargan test of
overidentifying restrictions来检验其他的IV是不是确实是外生的。
如果上述都没有问题，做一下IV回归。完成后，用HAUSMAN检验，这个检验的原假说是IV回归与原回归（不用IV的回归）的变量的系数并没有显著的不同。看一下P值，如果P小于比如说0.1，或者0.05，那么，说明IV回归与原来的回归显著不同，原来的方程的确有内生性问题导致的估计偏误。反之，如果P很高，超过0.1，或0.05，那说明IV回归与原来的回归没有显著不同，无法拒绝原来的回归没有显著的内生问题导致的估计偏误的原假设。
如果选择的IV本身就影响Y，那它就不能被作为IV。例如，Y在左边，右边是X（被工具的），X2，IV。当IV被放在方程右边时，它最好是不显著影响Y的。在Acemoglu（2001）里，他就检验了他们的IV是否直接影响被解释变量，结果说明不直接影响，于是这个IV是好的。当然，一个好的IV在前面的回归中也可能是显著的（不过一般如果理论和逻辑上IV是通过被工具的内生解释变量间接影响被解释变量的话，一般来说应该是被工具的内生解释变量使得IV不显著，或者由于两者相关性很高，两者都不显著），但判断的标准还只是t值。这个变量显著完全有可能是因为它影响了其他显著的变量（比如被工具的变量），如果是这样，当包括了IV在原方程中以后，其他变量（特别需要注意的是被工具的变量X）的系数可能发生明显变化。
第三节 关于HAUSMAN TSET（以下简称HT）的若干细节问题
具体参见Stata corporation, 2001, STATA 7 Reference H-P, Stata
1，含义：“The null hypothesis is that the efficient estimator is a
consistent and efficient estimator of the true parameters. If it
is, there should be no systematic difference between the
coefficients of the efficient estimator and a comparison estimator
that is known to be consistent for the true parameters. If the two
models display a systematic difference in the estimated
coefficients, then we have reason to doubt the assumptions on which
the efficient estimator is based.”参见手册Stata corporation, 2001,
STATA 7 Reference H-P, Stata Press。该方法是Hausman
(1978)的程序化。所以，Hausman
Test的命令(hausman)假设使用者知道需要比较的两个方程中哪一个是“无论原假说成立与否都是consistent”，哪一个“在原假说下不仅efficient而且consistent，但若原假说不成立，则inconsistent”，1然后，在STATA
8下，步骤是：
(1) obtain an estimator that is consistent whether or not the
(2) store the estimation results under a name-consistent using
(3) obtain an estimator that is efficient (and consistent) under
the hypothesis that
you are testing, but in
(4) store the estimation results under a name-efficient using
(5) use hausman to perform the test
hausman name-consistent name-efficient [, options]
（1）在关于是FE还是RE的检验中，原假说是非观测效应与解释变量不相关，备择假说是两者相关。FE是无论原假说成立与否都是consistent，而RE在原假说下是consistent，并且Asymptotically
efficient（样本越大越有效），但如果原假说被拒绝，则RE不是consistent的 (Hausman,
所以做法应该是（STATA 8的命令）：
sort code year （排序）
tis year (时间变量是year)
iis code (表示单位的是code)
xtreg y x x2, fe（假设其中x是需要被工具的变量）
est store fixed
（在STATA8里命令有变化，不再是HAUSMAN，SAVE了，这里的fixed实际上就是个变量名，用什么都行）
xtreg y x x2, re
hausman fixed
（2）比较OLS（或FE）和IV（或IVFE）
先做IV，因为，它无论如何都是consistent的，但OLS只有在原假设成立，即OLS结果与IV结果相同，内生性问题没有时，才是consistent的。所以，应该先做IV。
在老版本的STATA里，如果不加特殊说明，STATA就会默认为先写的回归命令得到的是总是一致的估计结果，后写的得到的是备择假设下不一致的估计结果。现在HAUSMAN命令
1 Refer to the appendix for the definition of unbiased, consistent
and efficient.
规范了，而且扩展了。先跑哪个不重要，关键在于写最后HAUSMAN命令时候的顺序，而且如果最近跑的一个没有用EST存名字的话，要用“.”代替。
（1）对以上检验的理解的另一种方式是，我们先做一个假设条件要求更松的估计，然后再做一个假设条件更严格的。相比之下，IV（IVFE）比OLS（FE）要求更松。容易搞混的是FE比RE假设条件更松。RE假设未观察因素与解释变量是正交的，只不过在未观察因素里有两个部分，一是与个体单位有关的，二是完全随机的，RE在做估计的时候，是用这两个部分的方差计算出一个指数λ，来做quasi-demean，也就是说在去平均的时候是用原值的y或x减去λ乘以y或x的均值，然后用GLS估计。当λ为0时，就等价于pooled
OLS，当λ为1时，说明完全随机的部分可以忽略，所有未观察因素都是与单位有关的，于是就等价于FE。但FE不需要假定未观察因素与解释变量是正交的，在做FE时，固定效应都被差分掉了，所以也可得到consistent的结果。当我们先做假设更严格的估计时，HT与一般检验一样，检验值大，P小，则原假说拒绝，应该接受假设更松的。在FE与RE的比较里，卡方大，接受FE。在OLS（FE）与IV（或IVFE）的比较里，当卡方值大时，P小时，拒绝原假说，IV结果和OLS（或FE）有不同，于是接受IV结果。
（2）从以上讨论可以看出，我们需要事先知道HT时两个方程的顺序和性质。在STATA7以下，当使用hausman命令时，它默认的顺利（缺省参数more）就是上面的顺序。如果你做的顺序相反，就应该加上参数，命令为hausman,
less，如果没有写less，那么，STATA是不知道谁更efficient的，这时，你本来应该得到一个正的结果，就完全可能因为顺序错了，又忘记了参数less而得到一个相反的负数结果。
在STATA8里命令变化，可以变顺序，但要使用者注意正确使用参数：
The order of computing the two estimators may be reversed. You have
to be careful
though to specify to hausman the models in the order "always
consistent" first and
"efficient under H0" second. It is possible to skip storing the
second model and refer
to the last estimation results by a period (.).
（3）在其他可比较的情况下，顺序并不重要（如果没有谁更有效的差别）
hausman may be used in any context. The order in which you specify
the regressors in
each model does not matter, but it is your responsibility to assure
that the estimators
and models are comparable, and satisfy the theoretical conditions
(see (1) and (3)
（4）当HT出现负值时
先看一下是不是方程顺序错了。如果没有错，那么在小样本数据下也并不是不可能得到负值。当HAUSMAN检验的X2值是负的时候，意思是强烈地表明两个被比较的回归结果系数相同（或者说无显著差异）的原假说不能被拒绝，尤其是小样本中很可能出现。这是STATA7的使用手册上的一个例子说的。但在STATA8里，又说，出现负值这种情况时，If
this is the case, the Hausman test is undefined. Unfortunately,
this is not a rare event. Stata supports a generalized Hausman test
that overcomes both of these problems. See suest for
details.可以通过help suest了解。
3．STATA命令
(1)比较FE和RE
sort code year （排序）
tis year (时间变量是year)
iis code (表示单位的是code)
xtreg y x x2, fe（假设其中x是需要被工具的变量）
est store fixed
（在STATA8里命令有变化，不再是HAUSMAN，SAVE了，这里的fixed实际上就是个变量名，用什么都行）
xtreg y x x2, re
hausman fixed
(2)比较IVFE和IVRE
xtivreg y (x=iv) x2, fe
est store f1
xtivreg y (x=iv) x2, re
hausman f1
一般来说用不着这个比较，因为在这之前，你已经知道FE和RE谁好了，就将好的结果与它的IV结果比就行了。
(3)比较IVFE和FE
xtivreg y (x=iv) x2, fe
est store f2
xtreg y x x2, fe
hausman f2
再重复一遍，如果结果是P小，卡方大才说明IV回归是必要的，原来是有内生问题
第四节 举例
Acemoglu等人(2001)的文章是非常有代表性的使用工具变量的论文。他们试图验证制度对人均收入有影响，显然，直接做回归的话，制度就是内生的，因为好的制度可能在人均收入高的地方产生。他们找的工具变量是殖民地时代一个国家的死亡率，死亡率高欧洲人就不会定居下来，于是就会在当时建议掠夺性的制度，反之就会建立好的制度，而那时的制度对现在仍然有影响。
特别值得注意的是论文的6.3部分对于工具变量的有效性的检验。首先，他们用其他可行的变量作为替代来反复做IV回归，发现得到的结果与用死亡率作IV得到的结果基本相同。（这当然是不错的结果，但是，我认为这不是必要的，因为你并不一定能够找到其他的IV。）然后，他们将死亡率本身作为外生变量放在原回归里，发现它不显著地影响被解释变量，这说明它并不直接影响被解释变量。第三，他们把只用死亡率的IV结果和同时用死亡率和其他IV的结果进行卡方检验，发现它们没有显著不同，再次说明死亡率没有直接影响，也不是通过影响制度以外的其他变量影响被解释变量的。我认为这一步也不是必要的，因为如果你没有其他IV，这一步也就没有办法做了。
参考文献：
Acemoglu, Daron, Simon Johnson and James A. Robinson (2001) “The
Colonial Origins of Comparative Development: An Empirical
Investigation,” American Economic Review, December, Volume 91,
Number 5, .
Stata corporation, 2001, STATA 7 Reference H-P, Stata Press.
Hausman, Jerry A. and William E. Taylor, 1981, “Panel Data and
Unobservable Individual Effects,” Econometrica, Vol. 49, No. 6,
Hausman, Jerry A., 1978, “Specification Tests in Econometrics,”
Econometrica, Vol. 46, No. 6, .
(1) The definition of unbiased, consistent and efficient.
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。}