如何对面板数据进行分析？140人已关注
对面板数据进行分享一般分为三个基本的步骤：步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验，此外，单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。我们记I(0)为零阶单整，I(1)为一阶单整，依次类推，I(N)为N阶单整。 步骤二：协整检验或模型修正如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。但也有如下的宽限说法：如果变量个数多于两个，即解释变量个数多于一个，被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时，则必须至少有两个解释变量的单整阶数高于被解释变量的单整阶数。如果只含有两个解释变量，则两个变量的单整阶数应该相同。也就是说，单整阶数不同的两个或以上的非平稳序列如果一起进行协整检验，必然有某些低阶单整的，即波动相对高阶序列的波动甚微弱（有可能波动幅度也不同）的序列，对协整结果的影响不大，因此包不包含的重要性不大。而相对处于最高阶序列，由于其波动较大，对回归残差的平稳性带来极大的影响，所以如果协整是包含有某些高阶单整序列的话（但如果所有变量都是阶数相同的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其纳入协整检验。步骤三：面板模型的选择与回归面板数据模型的选择通常有三种形式：一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。一种是固定效应模型（Fixed Effects Regression Model）。如果对于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加虚拟变量的方法估计回归参数。一种是随机效应模型（Random Effects Regression Model）。如果固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应，并且这两个随机误差项都服从正态分布，则固定效应模型就变成了随机效应模型。在面板数据模型形式的选择方法上，我们经常采用F检验决定选用混合模型还是固定效应模型，然后用Hausman检验确定应该建立随机效应模型还是固定效应模型。检验完毕后，我们也就知道该选用哪种模型了，然后我们就开始回归：在回归的时候，权数可以选择按截面加权（cross-section weights）的方式，对于横截面个数大于时序个数的情况更应如此，表示允许不同的截面存在异方差现象。估计方法采用PCSE（Panel Corrected Standard Errors，面板校正标准误）方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新，可以有效的处理复杂的面板误差结构，如同步相关，异方差，序列相关等，在样本量不够大时尤为有用。对面板数据进行分享一般分为三个基本的步骤：步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验，此外，单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。我们记I(0)为零阶单整，I(1)为一阶单整，依次类推，I(N)为N阶单整。 步骤二：协整检验或模型修正如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。但也有如下的宽限说法：如果变量个数多于两个，即解释变量个数多于一个，被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时，则必须至少有两个解释变量的单整阶数高于被解释变量的单整阶数。如果只含有两个解释变量，则两个变量的单整阶数应该相同。也就是说，单整阶数不同的两个或以上的非平稳序列如果一起进行协整检验，必然有某些低阶单整的，即波动相对高阶序列的波动甚微弱（有可能波动幅度也不同）的序列，对协整结果的影响不大，因此包不包含的重要性不大。而相对处于最高阶序列，由于其波动较大，对回归残差的平稳性带来极大的影响，所以如果协整是包含有某些高阶单整序列的话（但如果所有变量都是阶数相同的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其纳入协整检验。步骤三：面板模型的选择与回归面板数据模型的选择通常有三种形式：一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。一种是固定效应模型（Fixed Effects Regression Model）。如果对于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加虚拟变量的方法估计回归参数。一种是随机效应模型（Random Effects Regression Model）。如果固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应，并且这两个随机误差项都服从正态分布，则固定效应模型就变成了随机效应模型。在面板数据模型形式的选择方法上，我们经常采用F检验决定选用混合模型还是固定效应模型，然后用Hausman检验确定应该建立随机效应模型还是固定效应模型。检验完毕后，我们也就知道该选用哪种模型了，然后我们就开始回归：在回归的时候，权数可以选择按截面加权（cross-section weights）的方式，对于横截面个数大于时序个数的情况更应如此，表示允许不同的截面存在异方差现象。估计方法采用PCSE（Panel Corrected Standard Errors，面板校正标准误）方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新，可以有效的处理复杂的面板误差结构，如同步相关，异方差，序列相关等，在样本量不够大时尤为有用。
西南财经大学
统计是一种艺术。说一些零零碎碎的经验吧~*1.横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。*2.一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。*3.单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) ( ,2002) 、Im、Pesaran 和Shin 方法( IPS 检验) () 、Maddala 和Wu 方法(MW检验) (1999) 等。*4.协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有:(1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。(2)Pedron(i1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。(3)Larsson et a(l2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法。这种检验的方法是检验变量存在共同的协整的秩。*5.一般的顺序是：先检验变量的平稳性,当变量均为同阶单整变量时,再采用协整检验以判别变量间是否存在长期均衡关系。如果变量间存在长期均衡的关系,我们可以通过误差修正模型(ECM) 来检验变量间的长期因果关系;如变量间不存在协整关系,我们将对变量进行差分,然后通过向量自回归模型(VAR),检验变量间的短期因果关系。希望对你分析的学习有所帮助呦~说一些零零碎碎的经验吧~*1.横截面的异方差与序列的自相关性是运用面板数据模型时可能遇到的最为常见的问题,此时运用OLS可能会产生结果失真,因此为了消除影响,对我国东、中、西部地区的分析将采用不相关回归方法( SeeminglyUnrelated Regression, SUR)来估计方程。而对于全国范围内的估计来说,由于横截面个数大于时序个数,所以采用截面加权估计法(Cross SectionWeights, CSW) 。*2.一般而言，面板数据可用固定效应(fixed effect) 和随机效应(random effect) 估计方法,即如果选择固定效应模型,则利用虚拟变量最小二乘法(LSDV) 进行估计;如果选择随机效应模型,则利用可行的广义最小二乘法(FGLS) 进行估计(Greene ,2000) 。它可以极大限度地利用面板数据的优点,尽量减少估计误差。至于究竟是采用固定效应还是随机效应,则要看Hausman 检验的结果。*3.单位根检验：在进行时间序列的分析时,研究者为了避免伪回归问题,会通过单位根检验对数据平稳性进行判断。但对于面板数据则较少关注。随着面板数据在经济领域应用,对面板数据单位根的检验也逐渐引起重视。面板数据单位根的检验主要有Levin、Lin 和Chu 方法(LLC 检验) ( ,2002) 、Im、Pesaran 和Shin 方法( IPS 检验) () 、Maddala 和Wu 方法(MW检验) (1999) 等。*4.协整检验：协整检验是考察变量间长期均衡关系的方法。在进行了各变量的单位根检验后,如果各变量间都是同阶单整，那么就可以进行协整检验了。面板协整检验理论目前还不成熟,仍然在不断的发展过程中,目前的方法主要有:(1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。(2)Pedron(i1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。(3)Larsson et a(l2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法。这种检验的方法是检验变量存在共同的协整的秩。*5.一般的顺序是：先检验变量的平稳性,当变量均为同阶单整变量时,再采用协整检验以判别变量间是否存在长期均衡关系。如果变量间存在长期均衡的关系,我们可以通过误差修正模型(ECM) 来检验变量间的长期因果关系;如变量间不存在协整关系,我们将对变量进行差分,然后通过向量自回归模型(VAR),检验变量间的短期因果关系。希望对你分析的学习有所帮助呦~
东北大学（中国）
陪你度过漫长岁月以最新空间计量软件OpenGoeda为例，其实，对于空间面板数据发分析与地图的显示是两会儿事，空间分析可以简单的分为两块：第一是空间面板统计分析，即空间数据的探索性分析，一般用到地图，主要是为了直观显示其属性值的空间分布情况，另外就是全局空间自相关分析（全局Morans'I系数）和局部空间自相关分析（LISA）及Morans散点图（HH，HL，LH，LL）。第二是空间面板计量分析，主要包括：空间滞后模型（SLM）和空间误差模型（SEM），使用的前提是，自变量和因变量都存在空间自相关性，因此导致经典的计量模型估计有偏或失效，因此自然而然将空间因素考虑到模型中进行分析，空间因素的引进涉及最核心的表达空间的权重矩阵。这是空间计量模型和软件解决的基本问题。在此基础上说一下，如何利用OpenGoeda分有相应的shape格式地图和没有的情况下如何进行空间面板数据的回归分析。首先，是有相应地图的shape格式文件，如何进分析，涉及研究区域的地图的制作；地图和属性数据的链接等。具体如下：首先可以借助Mapinfo和Arcgis软件制作shape格式的地图文件，并设置ID唯一代码，接着制作属性值文件，其格式为dbf，然后，将上述制作完成的shape格式文件和dbf格式属性值通过OpenGoda软件的Table菜单下的Merge TableDate进行合并，形成一个完整的包含分析需要的所有属性值的shape格式文件。这样我们所有准备工作完成了，接下来就可以进行各种各样的分析了。其次、无法获取地图的shape文件，或者你主要进行的空间面板回归分析，那么此时你完全不用费心思去制作地图，这时候仅需要你生成一个空间权重矩阵，具体做法是：1.生成一个OpenGoeda能识别的shape格式文件（直接用txt做就ok了，还可以通过dbf格式做，也比较容易）步骤，tools/shape/Point from ASCII(txt)；2.建立dbf格式的属性数文件；3.利用软件里的MergeTableDate将1步建的shape文件数据表和2步建的dbf格式数据进行合并，并保存，保存后的文件我们命名为“sample”，则可以用sample.shp格式文件进行空间面板数据分析了。以上是我在实际应用中的做法，希望对你有所帮助！以最新空间计量软件OpenGoeda为例，其实，对于空间面板数据发分析与地图的显示是两会儿事，空间分析可以简单的分为两块：第一是空间面板统计分析，即空间数据的探索性分析，一般用到地图，主要是为了直观显示其属性值的空间分布情况，另外就是全局空间自相关分析（全局Morans'I系数）和局部空间自相关分析（LISA）及Morans散点图（HH，HL，LH，LL）。第二是空间面板计量分析，主要包括：空间滞后模型（SLM）和空间误差模型（SEM），使用的前提是，自变量和因变量都存在空间自相关性，因此导致经典的计量模型估计有偏或失效，因此自然而然将空间因素考虑到模型中进行分析，空间因素的引进涉及最核心的表达空间的权重矩阵。这是空间计量模型和软件解决的基本问题。在此基础上说一下，如何利用OpenGoeda分有相应的shape格式地图和没有的情况下如何进行空间面板数据的回归分析。首先，是有相应地图的shape格式文件，如何进分析，涉及研究区域的地图的制作；地图和属性数据的链接等。具体如下：首先可以借助Mapinfo和Arcgis软件制作shape格式的地图文件，并设置ID唯一代码，接着制作属性值文件，其格式为dbf，然后，将上述制作完成的shape格式文件和dbf格式属性值通过OpenGoda软件的Table菜单下的Merge TableDate进行合并，形成一个完整的包含分析需要的所有属性值的shape格式文件。这样我们所有准备工作完成了，接下来就可以进行各种各样的分析了。其次、无法获取地图的shape文件，或者你主要进行的空间面板回归分析，那么此时你完全不用费心思去制作地图，这时候仅需要你生成一个空间权重矩阵，具体做法是：1.生成一个OpenGoeda能识别的shape格式文件（直接用txt做就ok了，还可以通过dbf格式做，也比较容易）步骤，tools/shape/Point from ASCII(txt)；2.建立dbf格式的属性数文件；3.利用软件里的MergeTableDate将1步建的shape文件数据表和2步建的dbf格式数据进行合并，并保存，保存后的文件我们命名为“sample”，则可以用sample.shp格式文件进行空间面板数据分析了。以上是我在实际应用中的做法，希望对你有所帮助！
that’all.给你安利一本书就叫《面板数据分析》简介：这本书是面板数据分析这一领域的经典之作，系统地介绍了有关面板数据的基本理论，尤其是对面板数据在控制未观察到的个体或时间偏差，以避免设定误差，改善估计效率方面的应用；并且，审慎地使用了实证研究的案例，这使得本书对经济学、商学、社会学和政治科学的研究生和研究人员非常有用。给你安利一本书就叫《面板数据分析》简介：这本书是面板数据分析这一领域的经典之作，系统地介绍了有关面板数据的基本理论，尤其是对面板数据在控制未观察到的个体或时间偏差，以避免设定误差，改善估计效率方面的应用；并且，审慎地使用了实证研究的案例，这使得本书对经济学、商学、社会学和政治科学的研究生和研究人员非常有用。
相关标签：
关注我们咨询服务合作法律法规京ICP备号
下载申请方APP
即刻拥有你的学业规划助手CFA二级考试难点分析：时间序列分析逻辑框架
来源：中国CFA网站
1、时间序列分析只有一组时间序列数据，要预测下一期的数据。回归可以用来预测，但是由于时间序列分析只有一组数据（因变量），缺少自变量，因此要解决自变量的问题。
2、线性趋势模型（Linear trend
model）就是用时间（t）来做自变量的一元回归模型，这就解决了缺少自变量的问题。但是时间序列数据不一定与时间t线性相关，很有可能是加速上升或者加速下降的。因此，做线性回归之后可能存在自相关。
3、拿到一组时间序列数据，我们先做线性趋势模型，然后用Durbin
Watson检验来检验自相关。如果Durbin Watson检验不能拒绝原假设（没有自相关），那么就用线性趋势模型；如果Durbin
Watson检验拒绝原假设（有自相关），那么就用对数线性趋势模型。
4、对数线性趋势模型（Log-linear trend model）昨晚之后，仍然用Durbin
Watson检验来检验自相关。如果Durbin Watson检验不能拒绝原假设，那么就用对数线性趋势模型；如果Durbin
Watson检验拒绝原假设，那么就用自回归模型。
5、自回归模型（Autoregressive
model）是用上一期的因变量来做自变量，因此也解决了缺少自变量的问题。
6、但是自回归模型是否解决了自相关的问题呢？我们做完一个自回归模型AR(1)之后，不能用Durbin
Watson检验来检验自相关，而要用最原始的方法，计算每一个自相关系数，对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设（没有自相关），那么就用这个AR(1)模型；如果有一个自相关系数的显著性t检验都拒绝原假设（有自相关），那么就要引入一个季节性延迟变量（seasonal
lag），然后以新的（二元）自回归模型重新回归，估计回归参数。
》》CFA全套备考资料
7、新的（二元）自回归模型重新回归之后，我们仍然计算每一个自相关系数，对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设（没有自相关），那么就用这个新的（二元）自回归模型；如果有一个自相关系数的显著性t检验都拒绝原假设（有自相关），那么就要再引入一个季节性延迟变量，然后以新的（三元）自回归模型重新回归。这样周而复始，不断引入季节性延迟变量，最终总能使每一个自相关系数的显著性t检验都不能拒绝原假设。也就是说，自回归模型可以根本解决自相关的问题。
8、自回归模型虽然解决了自相关的问题，但是带来了一个新的问题：只有平稳的时间序列数据才能做自回归，这是自回归模型的前提条件。CFA称平稳的时间序列数据为协方差恒定的时间序列数据（Covariance-stationary
series）。
9、时间序列数据要协方差恒定，有一个必要条件，就是必须要有一个均值回复水平（mean reverting
level）。对AR(1)模型，均值回复水平＝b0/(1-b1)。如果b1＝1，则该AR(1)模型不存在均值回复水平，这个时间序列数据也就不满足协方差恒定。因此，做了一个AR(1)模型之后，我们要用Dickey-Fuller检验来检验斜率系数b1是否显著不等于1（b1等于1称为单位根）。如果Dickey-Fuller检验可以拒绝原假设，那么就没有单位根，可以用这个AR(1)模型；如果Dickey-Fuller检验不能拒绝原假设，那么就有单位根，不可以用这个AR(1)模型，此时这个AR(1)模型称为随机游走模型。
10、随机游走模型（Random
walk）有单位根b1等于1，因此不满足协方差恒定的前提条件，必须做一阶差分（First differencing）。一阶差分最终能解决单位根的问题。
温馨提示：因考试政策、内容不断变化与调整，乐考网网站提供的以上信息仅供参考，如有异议，请考生以权威部门公布的内容为准！
本站均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者在两周内速来电或来函联系。
扫描/长按下方二维码，即可获取考试报名、考试教材、考试押题等信息！面板数据模型
WindowsLinux
单机版网络版分布式云平台
1年2年3年5年10年永久
马克威面板数据模型
马克威操作说明
在处理数据之前，需要建立面板数据，导出生成数据并保存；建立面板数据时需要设置时间变量中的起始和终止时间，确定截面和变量，之后可以点击“生成文件”，进入输入数据的界面，创建好面板数据；本文以“面板数据分析”为例说明马克威软件的操作；案例分析了面板数据中的描述性统计量和面板数据分析两个方面。
（1）首先，在工作区，打开建模分析工作流“高级统计”→“面板数据模型”；
（2）然后连接数据源；
（3）然后进行参数设置
（4）双击运行按钮。
数据源为年中国东北、华北、华东15个省及地区的居民家庭人均消费（不变价格）和人均收入数据。以“马克威通用数据2.mkw”为例，用户实例中GDP、二手房住宅价格指数、CPI、新建住宅价格指数、货物运输量为分析数据。（资料来源：《中国统计年鉴》）。
描述性统计分析
（1）选择变量参数
选择“训练”功能；其中各参数变量的说明如下：
已选变量表：待分析的变量列表；
数据结构：
堆积数据：对面板数据分析，按变量维度输出结果；
中心化的堆积数据：将整个面板数据进行个体中心化分析，按变量维度输出结果；
个体截面：分别对每个个体截面进行分析；
时间截面：分别对每个时间截面进行分析；
数据选取：
独立：每个变量的缺失对其他变量统计量的计算不产生影响；
一致：若某个变量有缺失，其他变量的对应位置也按缺失处理；
平衡：若某个变量有缺失，将每个个体的对应位置所在的时间截面按缺失处理。
设置好参数如下所示：
首先，由于面板数据结构的特殊性，系统允许用户通过“面板数据模型”节点新建数据作为数据源：
然后点击左下角“作为数据源”，进入下表格式：
接着设置“开始时间”、“结束时间”，点击“导出生成数据”，设置好保存路径，设置和变量，显示界面如下所示：
然后点击“生成数据”，将数据粘贴到对应栏，保存即可：
最后，根据生成的数据源重新导入到模型中，参数设置具体如下：
（2）点击运行节点，输出结果：
描述统计表：
（3）结果说明：
从描述统计表中可以观测到堆积数据的均值、中位数、最值、标准差、偏度、峰度、P值等统计量。
面板数据分析
（1）选择“面板数据分析”选项，界面切换到相应设置，设置相应的参数，运行得到结果，其中各参数的说明如下：
模型选择：
个体：指定个体效应的类型，包括“无”、“固定”和“随机”。
时间：指定时间效应的类型，包括“无”、“固定”和“随机”。注：当截面和时间效应都选“无”时，表示该模型为混合模型。
变系数：指定变系数模型的类型，包括“个体”和“时间”。选“个体”表示系数随横截面上个体而改变的模型；选“时间”表示系数随时间而改变的模型。
自回归项：指定自回归模型的自回归项，各项以逗号或空格分隔。
平衡样本：指定对非平衡面板数据缺失值的处理方式。
带常数项：指定混合模型是否包含常数项。
残差：选择后将在结果窗口中输出残差表、残差的协方差矩阵和相关系
系数协方差矩阵：选择后将在结果窗口中输出系数的协方差矩阵。当模
型为固定效应模型和自回归模型时，不输出常数项的协方差矩阵。
Hausman检验：Hausman检验作为随机效应模型的输出结果，用于指定面
板数据回归模型的设定问题。在拒绝零假设时，模型设定为固定效应模型是可行的否则不能拒绝零假设，模型应设定为随机效应模型。
显示样本区间：选择要分析的样本区间，支持连续区间和非连续区间。
设置好参数如下所示：
（2）输出结果：
参数估计：
残差效应：
加权统计量：
未加权统计量：
Hausman检验表：
（3）结果说明：
参数估计表中，给出了参数的估计值，包括系数值、系数的标准误差和显著性检验的t统计量及其P值、个体随机（固定）效应和时间随机（固定）效应。变系数模型将按照每个个体（或时刻）来输出其参数估计值；
残差效应表中，给出了误差分解的各项标准差（S.D.）及其方差所占总误差的方差的百分比（Rho），该项结果只有做随机模型时输出；
加权统计量表中，给出了加权系数模型的相关统计量，包括检验模型总体拟合优度等统计量，该项结果只有做随机模型时输出；
未加权统计量表中，给出了未加权系数模型的相关统计量，包括检验模型总体拟合优度等统计量；
Hausman检验表中，给出了渐近服从卡方分布的统计量、自由度及其统计量的P值；该项结果只有做随机模型时输出。
输入变量类型：要求数值型变量；如：整型、浮点型
面板数据模型用于处理时间和截面空间上取得的二维数据；这种数据从横轴上看，是由若干个体在某一时刻构成的截面记录值，从纵轴上看是个时间序列数据。而且面板数据模型还可以处理非平衡面板数据，即：面板数据中缺少了某些横截面的一些数据。
面板数据模型可以应用在计量经济学领域中，主要用来描述时间序列数据中自变量与因变量的回归关系。
面板数据模型能够处理时间序列的二维数据模型，选择合适的模型，能构对时间序列数据进行回归分析。
进行面板数据处理的原理可以归结为：
1）用单位根检验分析数据的平稳性。
经济时间序列的数据往往具有平稳和非平稳类型，而面板数据模型分析的前提是序列具有平稳性，如果对非平稳数据处理，可能会得到伪回归的情况。所以可对面板数据进行LLC单位根检验，单位根不存在则序列平稳，否则要先对数据做差分，使其平稳。在检验时可以先对面板序列数据绘制时序图，观察时序图中由各个观测值描绘出代表变量的折线是否含有趋势项和截距项，从而为单位根检验模式做准备。
2）协整检验或模型修正。
如果发现变量之间是同阶单整的，可用协整检验考察变量之间长期的均衡关系；若果经过单位根检验发现变量之间是非同阶单整的，可在不改变变量经济意义的前提下，对数据进行差分化，消除数据不平稳对回归造成的不利影响。
3）面板模型的选择与回归。
面板数据模型的选择通常包含三种形式：混合估计模型、固定效应模型和随机效应模型。其中混合效应模型的斜率项和截距项都是相同的，可用最小二乘法估计参数；固定效应和随机效应模型的斜率项相同，但截距项不同，可以在模型中添加虚拟变量的方法估计参数。随机效应模型是在截距项中包含了截面随机误差项和时间随机误差项的固定效应模型。
可以用F检验决定选用混合模型还是固定效应模型，然后用Hausman检验确定用随机效应模型还是固定效应模型。
结果与解释
输出结果：
参数估计：给出变量的系数、标准误差、T统计量和显著性P值；
残差效应：给出个体随机、时间随机和随机项；
加权统计量：给出加权的各类统计量；如：R平方、修正的R平方、回归标准误差、F值和P值等；
未知加权统计量：给出未加权系数模型的相关统计量；
方程估计：按每个个体给出了估计方程；
方程（代入参数值）：按每个个体给出了估计方程；
残差表：给出所有面板数据的残差；
系数的协方差矩阵：按每个个体或时刻输出其系数协方差矩阵；
Hausman检验表：给出了渐近服从卡方分布的统计量、自由度及其P值。该项结果只有做随机模型时输出。
1811****398
1864****834
1864****834
1397****925
1397****925
1397****925
1397****925
1397****925
1397****925
1397****925