如果您有一个针对凶杀案的以眼还眼的报复模型,那么动态面板模型可能很有意义。例如,如果杀人率在很大程度上是由帮派争斗驱动,在一次谋杀很可能是死亡的一个函数在牛逼- 1,或其他滞后。 tt−1
我将无序回答您的问题。假设DGP是
yit=δyit−1+x′itβ+μi+vit,
其中误差和v彼此独立,并且彼此独立。您有兴趣进行δ = 0(问题2)的测试。μvδ=0
如果使用OLS,则很容易看到与误差的第一部分相关,即使v中没有序列相关,这也会导致OLS有偏差和不一致。我们需要更复杂的东西来进行测试。yit−1v
你可以尝试接下来的事情就是固定效应估计与改造,在那里你减去每个单位的平均转换数据中,ˉ ÿ我,从每个观察。这会抹去μ,但此估计量会受到Nickell偏差的影响,该偏差不会随着观察数N的增长而消失,因此对于大N和小T面板而言,不一致。但是,随着T的增长,您将获得δ和β的一致性。Judson和Owen(1999)在N = 20的情况下进行了一些模拟,yy¯iμNNTTδβ和 Ť = 5 ,10 ,20 ,30,发现偏压中增加 δ和在降低 Ť。但是,即使对于 T = 30,偏差也可能高达真实系数值的 20 %。那真是个坏消息熊!因此,根据面板的尺寸,您可能要避免使用FE估算器内的值。如果 δ > 0,则偏差为负,因此 y的持续性被低估了。如果回归变量与滞后相关,则 β也将被偏置。N=20,100T=5,10,20,30δTT=3020%δ>0yβ
另一种简单的FE的方法是一阶差分的数据以去除固定的效果,以及使用到仪器为Δ ÿ 我吨- 1 = ÿ 我吨- 1 - Ÿ 我吨- 2。您还可以将x i t − x i t − 1用作自身的工具。经典的参考文献是安德森和萧(1981)。此估计量是一致的(只要解释性X s是预先确定的,并且yit−2Δyit−1=yit−1−yit−2xit−xit−1X原始误差项没有序列相关性),但是效率不高,因为它没有使用所有可用的力矩条件,并且没有利用误差项现在有所不同这一事实。这可能是我的首选。如果您认为遵循AR(1)过程,则可以使用y的第三和第四滞后。vy
Arellano和Bond(1991)推导了一种更有效的广义矩量估计方法(GMM),此后由于放宽了一些假设而得到了扩展。Baltagi 小组讨论的书的第8章很好地回顾了这些文献,尽管据我所知,它并不涉及滞后选择。这是最新的指标,但在技术上要求更高。
我认为R中的plm
软件包已经内置了其中一些。动态面板模型自版本10开始就已在Stata中使用,而SAS 至少具有GMM版本。这些都不是计数数据模型,但是根据您的数据可能并不重要。但是,这是Stata中GMM动态泊松面板模型的一个示例。
yβ