1、1,第十章 利用横截面和时间序列的计量模型,在进行经济分析时经常会遇到时间序列和横截面两者相结合的数据。例如，在企业投资需求分析中，我们会遇到多个企业的若干指标的月度或季度时间序列；在城镇居民消费分析中，我们会遇到不同省市地区的反映居民消费和居民收入的年度时间序列。本章将前述的企业或地区等统称为个体，这种具有三维（个体、指标、时间）信息的数据结构称为时间序列/截面数据，有的书中也称为平行数据或面板数据（panel data）。我们称这些数据为联合利用时间序列/截面数据（Pooled time series，cross section）。,2,EViews6对时间序列/截面数据模型的估计是通过含
2、有Pool对象的工作文件和具有面板结构的工作文件来实现的。处理时间序列/截面数据的EViews对象称为Pool。通过Pool对象可以实现对各种变截距、变系数时间序列模型的估计，但Pool对象侧重分析“窄而长”的数据，即截面成员较少，而时期较长的侧重时间序列分析的数据。对于截面成员较多，时期较少的“宽而短”的侧重截面分析的数据，一般通过具有面板结构的工作文件（Panel workfile）进行分析。利用面板结构的工作文件可以实现变截距时间序列/截面数据模型以及动态时间序列/截面数据模型的估计。,10.1 Pool对象,3,10.1.1 含有Pool对象的工作文件Pool对象在EViews中扮演着
3、两种角色。首先，Pool对象中包含了一系列的标识名。这些标识名描述了工作文件中的时间序列/截面数据的数据结构。在这个角色中，Pool对象在管理和处理时间序列/截面数据上的功能与组对象有些相似。其次，利用Pool对象中的过程可以实现对各种时间序列/截面数据模型的估计及对估计结果的检验和处理。在这个角色中，Pool对象与方程对象有些相似。,4,Pool对象的核心是建立表示截面成员的名称表。为明显起见，名称要相对较短。例如，国家作为截面成员时，可以使用USA代表美国，CAN代表加拿大，UK代表英国。定义了Pool的截面成员名称就等于告诉了EViews，模型的数据结构。在上面的例子中，EViews会自
4、动把这个Pool理解成对每个国家使用单独的时间序列。必须注意，Pool对象本身不包含序列或数据。一个Pool对象只是对基本数据结构的一种描述。因此，删除一个Pool并不会同时删除它所使用的序列，但修改Pool使用的原序列会同时改变Pool中的数据。,5,1. 创建Pool对象,在本章中，使用的是一个研究投资需求的例子，包括了五家企业和三个变量的20个年度观测值的时间序列：例10.5 研究企业投资需求模型 5家企业： 3个变量：GM：通用汽车公司 I ：总投资CH：克莱斯勒公司 M ：前一年企业的市场价值GE：通用电器公司 K ：前一年末工厂存货和设备的价值WE：西屋公司 US：美国钢铁公司要创
5、建Pool对象，选择Objects/New Object/Pool并在编辑窗口中输入截面成员的识别名称：,6,对截面成员的识别名称没有特别要求，但必须能使用这些识别名称建立合法的EViews序列名称。此处推荐在每个识别名中使用“_”字符，它不是必须的，但把它作为序列名的一部分，可以很容易找到识别名称。,7,2. Pool序列命名在Pool中使用序列的关键是序列命名：使用基本名和截面识别名称组合命名。截面识别名称可以放在序列名中的任意位置，只要保持一致即可。例如，现有一个Pool对象含有识别名JPN，USA，UK，想建立每个截面成员的GDP的时间序列，我们就使用“GDP”作为序列的基本名。把识别
6、名称放在序列名的前面，中间或后面并没什么关系，只要易于识别就行了。但是必须注意要保持一致，不能这样命名序列：JPNGDP，GDPUSA，UKGDP1，因为EViews无法在Pool对象中识别这些序列。,8,3. Pool序列概念一旦选定的序列名和Pool中的截面成员识别名称相对应，就可以利用这些序列使用Pool了。其中关键是要理解Pool序列的概念。一个Pool序列实际就是一组序列, 序列名是由基本名和所有截面识别名构成的。Pool序列名使用基本名和“？”占位符，其中“？”代表截面识别名。如果序列名为GDPJPN，GDPUSA，GDPUK，相应的Pool序列为GDP?。如果序列名为JPNGDP
7、，USAGDP，UKGDP，相应的Pool序列为 ?GDP。,9,4. 观察或编辑Pool定义要显示Pool中的截面成员识别名称，单击工具条的Define按钮，或选择View/Cross-Section Identifiers。如果需要，也可以对识别名称列进行编辑。5. Pool序列数据Pool中使用的数据都存在普通EViews序列中。这些序列可以按通常方式使用：可以列表显示，图形显示，产生新序列，或用于估计。也可以使用Pool对象来处理各单独序列。,10,10.1.2 输入Pool数据有很多种输入数据的方法，在介绍各种方法之前，首先要理解时间序列/截面数据的结构，区别堆积数据和非堆积数据形式
8、。时间序列/截面数据的数据信息用三维表示：时期、截面成员、变量。例如：1950年，通用汽车公司，投资数据。使用三维数据比较困难，一般要转化成二维数据。有几种常用的方法。1. 非堆积数据存在工作文件的数据都是这种非堆积数据，在这种形式中，给定截面成员、给定变量的观测值放在一起，但和其他变量、其他截面成员的数据分开。例如，假定我们的数据文件为下面的形式：,11,其中基本名 I 代表企业总投资、M 代表前一年企业的市场价值、K 代表前一年末工厂存货和设备的价值。每个企业都有单独的 I、M、K 数据。EViews会自动按附录A中 介绍的标准输入程序读取非堆积数据。并把每个截面变量看作一个单独序列。注意
9、要按照上述的Pool命名规则命名。,12,确认后EViews会打开新建序列的堆积式数据表。我们看到的是按截面成员堆积的序列，Pool序列名在每列表头，截面成员/年代识别符标识每行。,2. 堆积数据选择View/Spreadsheet（stacked data），EViews会要求输入序列名列表,13,Pool数据排列成堆积形式，一个变量的所有数据放在一起，和其他变量的数据分开。大多数情况下，不同截面成员的数据从上到下依次堆积，每一列代表一个变量：,14,我们称上表数据是按截面成员堆积的，单击Order+/-实现堆积方式转换，也可以按日期堆积数据：,每一列代表一个变量，每一列内数据都是按年排列的
10、。如果数据按年排列，要确保各年内截面成员的排列顺序要一致。,15,3. 手工输入/剪切和粘贴,4. 文件输入使用Pool对象从文件读取数据，先打开Pool，然后选择Procs/Import Pool Data(ASCII,.XLS,.WK?)，要使用与Pool对象对应的输入程序。,16,10.1.3 输出Pool数据按照和上面数据输入相反的程序可进行数据输出。由于EViews可以输入输出非堆积数据，按截面成员堆积和按日期堆积数据，因此可以利用EViews按照需要调整数据结构。,17,10.1.4 使用Pool数据每个截面成员的基础序列都是普通序列，因此EViews中对各单个截面成员序列适用的工
11、具都可使用。另外，EViews还有专门适用于Pool数据的专用工具。可以使用EViews对与一特定变量对应的所有序列进行类似操作。一、检查数据用数据表形式查看堆积数据。选择View/Spreadsheet (stacked data)，然后列出要显示的序列。序列名包括普通序列名和Pool序列名。点击Order+/-按钮进行数据堆积方式的转换。二、描述数据可以使用Pool对象计算序列的描述统计量。在Pool工具栏选择View/ Descriptive Statistics，EViews会打开如下对话框：,18,在编辑框内输入计算描述统计量的序列。EViews可以计算序列的平均值，中位数，最小值，
12、最大值，标准差，偏度，峰度，和Jarque-Bera统计量。下一步选择样本选项：,19,（1）Individual: 利用所有的有效观测值。即使某一变量的观测值是针对某一截面成员的，也计算在内。（2）Common: 使用的有效观测值必须使得某一变量在同一时期对所有的截面成员的数据均可获得。（3）Balanced: 使用的有效观测值必须是对所有截面成员，所有变量在同一期都有数值。最后还必须选择与计算方法相对应的数据结构：（1）Stacked data: 计算表中每一变量所有截面成员，所有时期的统计量。如果忽略数据的pool性质，得到的就是变量的描述统计量。（2）Stacked-means rem
13、oved: 计算除去截面平均值之后的描述统计量值。（3）Cross-section specific: 计算每个截面变量所有时期的描述统计量。是通过对各单独序列计算统计量而得到的。（4）Time period specific: 计算时期特性描述统计量。对每一时期，使用pool中所有截面成员的变量数据计算的统计量。,20,注意，后面两种方法可能产生很多输出结果。截面成员描述计算会对每一变量/截面成员组合产生一系列结果。如果有三个Pool变量，20个截面成员，EViews就会计算60个序列的描述统计量。可以把时期特性统计量存储为序列对象。从Pool窗口选择Procs/Make Period St
14、at Series出现以下对话框，在编辑窗口输入想计算的时期统计量的序列名。然后选择计算统计量和样本选择。,21,三、生成数据1. 可以使用PoolGenr(panelgenr)程序生成或者修改Pool序列。点击Pool工具栏的Poolgenr并输入要生成的方程式，使用正确的Pool名称。例如上面的例子，输入：r?=I?/I_US, 相当于输入下面五个命令：r_CM = I_CM/I_US r_CH = I_CH/I_USr_GE = I_GE/I_US r_WE = I_WE/I_USr_US = I_US/I_USPoolGenr按照输入的方程在各截面成员间进行循环计算，生成新的序列或修改
15、已有序列。,22,2. 可联合使用PoolGenr和Genr生成新的变量。例如，要生成一个虚拟变量，在美国钢铁（US）时取1，其他企业时取0，先选择PoolGenr,然后输入：dum?=0，从而初始化所有虚拟变量序列为0。然后，把US值设置为1，在主菜单选择Genr，然后输入：dum_US=1。3. 使用Pool修改序列，选择PoolGenr然后输入新Pool序列表达式：dum?=dum?*(I?K?)4. 还可以利用数据的内在循环特性进行给定时期的截面成员间的计算。例如，建立一普通序列sum，初始值设为0，然后选PoolGenr并输入：sum=sum+I?相当于对普通序列从Genr输入下列计
16、算：sum=I_GM+I_CH+I_GE+I_WE+I_US这个例子用来说明内在循环这个概念。,23,四、生成Pool组如果希望使用EViews的组对象工具处理一系列Pool序列，选择Procs/ Make Group输入普通序列和Pool序列名称，EViews就会生成一个包含这些序列的未命名组对象。五、删除和存取数据Pool可用来删除和存取序列。只需选择Procs/Delete pool series，Procs/Store pool series(DB)，Procs/Fetch pool series(DB)，输入普通序列和Pool序列名称即可。,24,我们可以把这些数据看作一系列截面成员
17、说明回归量，因此有N个截面方程： ， t =1 , 2 , , T (10.1.2) 其中：yt 是 N1 维被解释变量向量，xt 是 NNk 维解释变量分块对角矩阵，yt和 xt 包含个体成员的各经济指标时间序列，例如个体成员代表各不同地区，则 yt和 xt 的第i个分量代表 i 地区的消费和收入、物价等指标的经济时间序列。,10.1.5 Pool对象估计的模型形式,25,我们也可以把这些数据看作一系列时间截面说明回归量，因此有T个截面方程： ， i =1 , 2 , , N (10.1.4) 其中：yi 是 T1 维被解释变量向量，xi 是 TTk 维解释变量分块对角矩阵，yi 和 xi
18、的各个分量是对应于某个时点t的各个体成员的经济指标序列。由于含有 N 个个体成员方程的式（10.1.2）和含有 T个时间截面方程的式（10.1.4）两种形式的模型在估计方法上类似，因此本章主要讨论含有 N 个个体成员方程的时间序列/截面数据模型的估计方法。,26,10.1.6 如何估计Pool方程,单击Pool工具栏的Estimate选项打开如下对话框：,27,1. 因变量在因变量对话框中输入Pool变量或Pool变量表达式。2. 样本在下面的编辑窗口中输入样本说明。样本的缺省值是各截面成员中的最大样本值。如果得不到某时期截面成员的解释变量或因变量的值，那么此观测值会被排除掉。,3. 解释变量
19、在三个编辑框中分别输入相应的解释变量。(1) Common :此栏中输入的变量对所有截面成员有相同的系数。(2) Cross-section specific :此栏中输入的变量对Pool中每个截面成员的系数不同。(3) Period specific :此栏中输入的变量对Pool中每个时期的系数不同。,28,模型(10.1.2)常用的有如下三种情形：情形1： (变系数模型)情形2： (变截距模型)情形3： (不变参数模型)对于情形1，称为变系数模型，除了存在个体影响外，在横截面上还存在变化的经济结构，因而结构参数在不同横截面上是不同的。对于情形2，称为变截距模型，在横截面上个体影响不同，个体
20、影响表现为模型中被忽略的反映个体差异的变量的影响，又分为固定效应和随机效应两种情况。对于情形3，在横截面上无个体影响、无结构变化，则普通最小二乘法估计给出了 和 的一致有效估计。相当于将多个时期的截面数据放在一起作为样本数据。,10.2 模型形式设定检验,29,经常使用的检验是协方差分析检验，主要检验如下两个假设：H1： H2： 可见如果接受假设 H2 ，则可以认为样本数据符合情形3，即模型为不变参数模型，无需进行进一步的检验。如果拒绝假设H2，则需检验假设H1。如果接受H1，则认为样本数据符合情形2，即模型为变截距模型，反之拒绝H1 ，则认为样本数据符合情形1，即模型为变参数模型。,30,下
21、面介绍假设检验的 F 统计量的计算方法。首先计算情形1(变参数模型)的残差平方和，记为 S1 ；情形2(变截距模型)的残差平方和记为 S2 ；情形3(不变参数模型)的残差平方和记为 S3 。计算 F2 统计量 (10.2.7)在假设 H2 下检验统计量 F2 服从相应自由度下的F分布。若计算所得到的统计量 F2 的值不小于给定置信度下的相应临界值，则拒绝假设 H2，继续检验假设 H1。反之，接受 H2则认为样本数据符合模型情形3 ，即不变参数模型。,31,在假设H1下检验统计量F1也服从相应自由度下的F分布，即(10.2.8)若计算所得到的统计量F1的值不小于给定置信度下的相应临界值，则拒绝假
22、设H1。如果接受H1，则认为样本数据符合情形2，即模型为变截距模型，反之拒绝H1 ，则认为样本数据符合情形1，即模型为变参数模型。,32,例10.5中系数 和 取何种形式可以利用模型形式设定检验方法来确定。(1) 首先分别计算3种形式的模型：变参数模型、变截距模型和不变参数模型，在每个模型的回归统计量里可以得到相应的残差平方和S1=339121.5、S2 = 444288.4 和S3 = 1570884。(2) 按(10.2.7)式和(10.2.8)式计算F统计量，其中N=5、k=2、T=20，得到的两个F统计量分别为：F1= (S2 - S1)/8)/(S1 /85) = 3.29 F2=
23、(S3 - S1)/12)/(S1 /85) = 25.73利用函数 qfdist(d, k1, k2) 得到F分布的临界值，其中d 是临界点，k1和k2是自由度。在给定5%的显著性水平下(d=0.95)，得到相应的临界值为：F(12, 85) = 1.87 F(8, 85) =2.049由于 F21.87，所以拒绝H2；又由于 F12.049，所以也拒绝H1。因此，例10.5的模型应采用变系数的形式。,33,时间序列/截面数据模型估计方法使用时间序列/截面数据模型数据结构信息，有很多种方法进行方程估计。可以估计固定截距模型，随机截距模型，或者模型变量对各截面成员的系数不同，以及估计单独的AR
24、项系数。也可以为各个截面成员分别估计一个方程。下面将介绍怎样使用Pool和系统估计更一般和复杂的模型，包括二阶段最小二乘估计和非线性模型，以及有复杂截面系数限制的模型。,34,下面讨论Pool模型的计算方法。设有N个观测值互相堆积。为讨论方便，把堆积方程表示为：, i =1, 2, , N (10.3.1) 其中 yi 是第 i 个截面成员的T1维因变量向量，xi 是第 i 个截面成员的Tk 维解释变量矩阵。i 是第 i 个截面成员的k1维未知参数向量，ui 是第 i 个截面成员的T1维扰动项向量。用分块矩阵形式表示如下：,35,并且方程的残差协方差矩阵为：基本说明把Pool说明作为联立方程系
25、统并使用系统最小二乘法估计模型。,36,不变参数模型（所有截面截距相同、系数相同）当残差同期不相关，并且时期和截面同方差时，对堆积数据模型使用普通最小二乘法估计系数和协方差。相当于情形3：i =j ，i =j ，在横截面上无个体影响、无结构变化，则普通最小二乘法估计给出了 和 的一致有效估计。相当于将多个时期的截面数据放在一起作为样本数据。其中 yi 和 xi 分别是 各时期的因变量向量和解释变量矩阵。,37,以例10.5为例:,38,所有的截面的系数相等，和将5个公司的数据接到一起，用OLS的估计结果相同。,39,10.3 变截距模型 10.3.1 固定效应变截距模型 (1) 固定效应 (F
26、ixed Effects) (情形2：i j，i =j )固定效应估计量通过为每个截面成员估计不同常数项使i 不同。EViews将每个变量减去平均值，并用转换后的数据，通过最小二乘估计来计算固定效应。 (10.3.3) 其中 ， ，固定效应本身不是直接估计的，计算公式为 , i =1, 2, , N (10.3.4),40,(2) 引进总体均值截距项的固定效应变截距模型如果引进总体均值截距项（m），可以将变截距模型写成如下的等价形式：i =1, 2, , N (10.3.10) 在该形式下，变截距模型中的反映个体影响的跨成员方程变化的截距项被分解成在各个体成员方程中都相等的总体均值截距项（m）
27、和跨成员方程变化的表示个体对总体均值偏离的个体截距项（i*）。个体截距项i* 表示的是个体成员i对总体平均状态的偏离，所有偏离之和应该为零，即(10.3.11),41,在该约束下，可以得到模型(10.3.10)中的各参数的最优线性无偏估计(10.3.12)(10.3.13)(10.3.14) 其中： ， ， 。EViews计算固定效应是包含总体均值截距项的变截距模型，以例10.5为例：,42,43,44,(3) 包含时期个体恒量的固定效应变截距模型,变截距模型还可以推广为包含时期个体恒量的形式，即模型形式为：i =1, 2, N ，t =1, 2, T (10.3.15) 其中：t 为时期个体
28、恒量，反映时期特有的影响。类似地，通过引进相应的个体成员和时期虚拟变量，利用普通最小二乘法可以得到各参数的OLS估计。,45,46,47,3. 固定效应变截距模型的广义最小二乘估计(1) 截面加权(个体成员截面异方差情形的GLS估计 ) 当残差具有截面异方差性和同步不相关时最好进行截面加权回归：EViews进行可行广义最小二乘（FGLS）。首先从一阶段Pool最小二乘回归，得到方差 i2 的估计值 si2，计算公式为： ， i =1, 2, , N (10.3.24) 其中 是OLS的拟合值。,48,其次系数值 由标准GLS估计量估计，是有效估计量。,49,50,(2) 同期相关协方差情形的S
29、UR估计 当残差具有截面异方差性和同步相关性时，SUR加权最小二乘是可行的GLS估计量：其中 是同步相关的对称阵：(10.3.28) 一般项 ，在所有的 t 时为常数。,51,EViews估计SUR模型时使用的 ij 是由一阶段Pool最小二乘回归得到：i, j =1, 2, , N (10.3.30) 其中： 和 可由式（10.3.3）和式（10.3.4）得到。计算后，再进行广义最小二乘估计（GLS），此时 的SUR估计为： (10.3.31),52,此时 的SUR估计为：,53,54,10.3.2 随机效应变截距模型 (Random Effects)随机效应模型假设it 项是共同系数 和不
30、随时间改变的截面说明随机变量 vi 的和， vi 和残差 ui 是不相关的。i =1, 2, , N (10.3.36) 为了分析方便，可以将模型(10.3.36)写成如下形式：(10.3.43) 其中： ， = ( , ) ，wi = vi + ui。,55,EViews按下列步骤估计随机效应模型：(1) 使用固定效应模型的残差估计 ui 的方差： (10.3.53) 使用包含总体均值截距项的变截距模型的残差估计 vi 的方差：(10.3.54),56,(2) 由于,有了成分方差 和 的估计，可以求出模型(10.3.43)中参数 的GLS估计量：(10.3.51) 其中： 。,57,个体随机
31、效应 vi 相应的估计为i =1, 2, , N (10.3.57) 其中： (10.3.58),58,59,60,10.4 变系数模型 前面所介绍的变截距模型中，横截面成员的个体影响是用变化的截距来反映的，即用变化的截距来反映模型中忽略的反映个体差异的变量的影响。然而现实中变化的经济结构或不同的社会经济背景等因素有时会导致反映经济结构的参数随着横截面个体的变化而变化。因此，当现实数据不支持变截距模型时，便需要考虑这种系数随横截面个体的变化而改变的变系数模型。,61,变系数模型的基本形式如下：i =1, 2, , N (10.4.1) 其中：yi 为因变量向量，xi 为 Tk 维解释变量矩阵，
32、参数i 表示模型的常数项，i 为对应于解释变量矩阵 xi 的系数向量。随机误差项 ui 相互独立，且满足零均值、等方差的假设。,62,在式(10.4.1)所表示的变系数模型中，常数项 i 和系数向量 i 都是随着横截面个体的改变而变化的，因此可以将变系数模型改写成如下形式： ， i =1 , 2 , , N (10.4.2) 其中： ，i = (i , i ) 。类似于变截距模型，变系数模型也分为固定效应变系数模型和随机效应变系数模型两种类型。,63,64,65,豪斯曼（Hausman） 检验 前面所介绍的变截距模型和变系数模型中，都分为固定效应模型和随机效应模型两种模型形式。两种模型形式的性
33、质差异取决于效应与解释变量之间的相关性。具体地说：1.如果效应与解释变量不相关，那么随机效应估计量是一致且有效的；固定效应估计量也是一致的但非有效。2.如果效应与解释变量相关，那么固定效应估计量是一致且有效的；但这时随机效应估计量是非一致的。,66,至于采用固定效应模型还是随机效应模型，可以根据所研究问题的特点来决定。如果仅对样本自身的效应进行分析，则使用固定效应模型；如果是用样本推断总体效应，则宜使用随机效应模型。另外也可以使用Hausman检验进行识别。Hausman检验的原假设是随机效应模型的系数与固定效应模型的系数没有差别。如果接受原假设，表明应选择随机效应模型；否则就应该选择固定效应
34、模型。,67,Hausman检验是EViews6新增的功能。在随机效应的估计中，一个基本的假设是假设随机效应与解释变量是不相关的，检验这一假设的普通方法就是用Hausman检验去比较固定效应模型和随机效应模型的系数。Hausman检验的统计量是：,在随机效应估计量是正确的虚拟假设下，豪斯曼检验统计量渐近服从自由度为k的卡方分布,68,进行Hausman检验，必须首先估计随机效应模型，然后，选择View/Fixed/Random Effects Testing/Correlated Random Effects Hausman Test，EViews会自动估计相应的固定效应模型、计算检验统计量并
35、显示结果和辅助方程。Hausman检验的输出结果由三部分构成：第一部分显示检验统计量、提供检验结果概要；第二部分提供了详细的附加检验，显示固定效应模型和随机效应模型的系数估计值，一并显示的还有二者的差异方差（variance of the difference）和p值；第三部分是与之相应的固定效应模型的估计结果 。,69,70,10.6 Pool序列的单位根检验,EViews在Pool对象中提供了比较方便的，可以进行多序列单位根检验的工具。在Pool对象中，对ADF、PP等单位根检验方法均可以实现。在Pool工具栏选择View/Unit Root Test，EViews会打开如下对话框，在对话
36、框最上边的“Pool series”栏中输入所要检验的序列名称，并选定其他设置后单击“OK”，便可以进行相应的单位根检验了。,71,72,以我国各省市城镇居民人均消费和可支配收入作为例子：相应的Pool识别名称为BJ_，TJ_，HB_，SX_，NMG_，LN_， 。估计城镇居民人均消费?CS的回归模型，模型中的被解释变量?CS 为城镇居民人均全年消费，解释变量为城镇居民人均全年可支配收入?YD（单位：元），变量均为年度数据，样本区间为1991 2003年。,10.7 Pool方程实例,73,检验模型形式设定形式；(1) 首先分别计算3种形式的模型：变参数模型、变截距模型和不变参数模型，在每个模
37、型的回归统计量里可以得到相应的残差平方和S1=5279603、S2 = 8287453 和S3 =13282535。(2) 按(10.2.7)式和(10.2.8)式计算F统计量，其中N=29、k=1、T=13，得到的两个F统计量分别为：F1= (S2 - S1)/28)/(S1 /319) =6.49 F2= (S3 - S1)/56)/(S1 /319) = 8.63 利用函数 qfdist(d, k1, k2) 得到F分布的临界值，其中d 是临界点，k1和k2是自由度。在给定5%的显著性水平下(d =0.95)，得到相应的临界值为：F(28, 319) = 1.51 F(56, 319)
38、=1.37由于 F21.37，所以拒绝H2；又由于 F11.51，所以也拒绝H1。因此，模型应采用变系数的形式。,74,75,从城镇居民人均可支配收入?YD的系数看，各省市的边际消费倾向是不同的，最高是山西，0.844，最低是江西，0.669。,76,从估计结果还可以看出，各省市城镇居民的自发消费也存在显著的差异，其中最高的是福建，其次是上海，而最低的是新疆，其次是湖南。,77,10.8 Pool方程视图和过程,估计出Pool方程后，可以按下述方法检验输出结果：1. 表达式选择View/Representations检查输出。EViews把Pool估计成一个方程的系统，每个截面成员一个方程。,2. 用Pool创建系统可能有些复杂的时间序列/截面数据方程不能用Pool对象进行估计。要使用更多的估计方法，如二阶段最小二乘法，三阶段最小二乘法，GMM，或使用任意系数限制，需要用Pool对象创建一个系统对象。可以用一个已估计的Pool创建系统，也可以提供信息从Pool生成系统。系统对象可进一步使用高级技术进行估计。,78,79,
