(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。 *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。
关于平稳性检验和协整检验、因果检验流程图
↗ 同阶单整→协整检验→协整？（YES：EG两步法 for 长期因果关系；NO：误差修正模型ECM/VEC for 短期因果关系）
平稳？（单位根检验）
↘非同阶单整→差分使平稳→VAR→Granger因果检验 for 短期因果关系
关于面板数据模型选择回归与检验流程图
混合 固定（main：个体固定） 随机（main：个体随机） ▏▁▁▁▁▁▁▁▁▁▁▁▁ ▏▁▁▁▁▁▁▁▁▁▁▁▁▁ ▏ ▏先回归估计 ▏先回归估计
↓Cross-section:fixed ↓Cross-section:random F检验 Hausman检验
▏ ▏
H0:混合 H1:个体固定 HO:个体随机 H1:个体固定 --
Output： ▏ ▏
If: If:
F=(Cross-section F Stat.)>Fa(df1,df2) H=(Cross-section Random Stat.)>χ2a(df1)
or Prob.
Then:reject H0,accept H1 Then:reject H0,accept H1
是先做F检验还是先做Hausman检验啊；做F检验的时候，Fixed and Random、comm和Cross-section specific选项应该怎么设置啊；另外我看高铁梅上面对面板的分类有些不同，能说说有啥区别么？
以Eviews6为例，来说明一下面板模型的选择问题：
F检验是用来在混合模型和固定效应模型中做出选择，而Hausman检验是用来在固定效应模型和随机效应模型中做出选择，所以不存在孰先孰后的问题； 由于我们通常估计的个体效应而不是时刻效应，所以我们进行回归和检验的时候，Period选择None。
回归的时候，具体操作设置如下，
Depedent Variable里填因变量，Common Coefficients里填自变量（包括截距项c），Cross-Section视回归需要选择None、Fixed、Random，Period选择None，可以依次实现混合回归、个体固定回归、个体随机回归。然后在个体固定回归之后，进行F检验进行模型选择决策1；在个体随机回归之后，进行Hausman检验进行模型选择决策2，从而最终得出最佳回归。 用计量模型分析问题的步骤 (2011-04-21 21:09:11) 转载 标签： 分类： 产经知识
最小二乘法 估计量 变量 随机误差 经济计量
一、建立一个理论假说。 二、收集数据。
数据的类型有：1、时间序列数据。2、截面数据：一个或多个变量在某一时点上的数据集合。3、面板数据：同一个横截面单位在跨期调查数据。 三、设定数学模型（变量之间是确定性的数量关系）
四、设立经济计量模型（变量之间的关系是不确定的或统计的）。 总体回归函数：：Yi=B1+B2Xi+ui，其中ui是随机误差项。
样本回归函数：Yi=b1+b2Xi+ei ，其中b1是B1的估计量，b2是B2的估计量，ei（残差）是ui的估计量。 五、估计经济计量模型参数。
普通最小二乘法（OLS）原理：选择参数b1，b2，使得残差平方和最小。 六、检验模型的适用性。
1、古典线性回归模型假设CLRM（只有假定了随机误差项的生成过程，才能判定SRF对PRF拟合的好与坏）：（1）回归模型是参数线性的。（2）解释变量与扰动误差项u不相关。（3）给定xi，扰动项的均值为零。（4）ui的方差是常数，即同方差。（5）两个误差项之间不自相关，即无自相关。（6）模型设定正确。（7）ui服从正态分布。以上这些假设保证了估计量是最优线性无偏估计量：（1）一致性。随样本规模趋于无穷，估计量将收敛于他们的真实值。（2）无偏性。平均值等于真实值。（3）有效性。没有其他估计量方差比他小。 2、假设检验（判定回归系数是否是统计显著的，即是否显著不为零）。有两种方法：显著性检验法和置信区间法。假设检验中容易犯两种错误：第一类
错误（拒绝一个真实的H0，发生的概率是a）和第二类错误（实际是错误的，但我们并没有拒绝）。这两类错误是此消彼长的。于是我们有了确切的显著性水平，即P值。他给出了在拒绝和不拒绝零假设之间无差别时的边际显著性水平。P值是软件自动提供的，避免了对任意一个显著水平的识别要求。P值还被用于说明零假设的合理性（P值越小，零假设越缺乏合理性）。
3、拟合优度。R^2=ESS/TSS。但是存在问题：如果有更多的回归自变量加入回归方程中去，R^2的值永远不会降低。于是引出了调整了的R^2。
4、解释变量之间的多重共线性.后果：R^2很高，但单个系数确有较大的标准差。诊断：R^2较高但t值统计量显著的不多；解释变量两两高度相关。补救：删除变量；获取额外的数据或新的样本；重新考虑模型；利用先验信息；变量变换。
5、异方差检验（截面数据）：后果：无偏估计量中不再有最小方差。诊断：残差图（ei与x）；怀特检验。补救：加权处理（误差方差与谁成比例）。 6、自相关检验（时间序列）：诊断：图形法（ei与t）；d-w检验。补救：广义最小二乘法（ut=put-1+vt）。 七、 利用模型进行预测