面板数据单位根检验软件操作和解读全在这里

凡是搞计量经济的，都关注这个号了

邮箱：[e-mail]

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

以下是27篇关于面板（动态或静态）数据的文章，里面附上了程序和相关文献，基本上可以解决大部分面板运用中的问题。若有进一步深造需求的，可以到“面板数据研究小组”交流讨论。

今天，咱们小组引荐的是面板数据的单位根检验，即unit root test。面板数据是由时间(time)和个体(panel)构成，而在时间序列回归中一开始就需要做单位根检验，因此，面板数据在分析之前理应做一下单位根检验，尤其是宏观数据。

咱们知道，在时间序列数据单位根检验时，有三种基本的情形：①包含常数和趋势，②只包含常数项和③两者都不包含。可具体选择哪种形式进行单位根检验呢？各位学者可以看看这个：

https://www.douban.com/group/topic/160270770/

与此类似，面板数据单位根检验也有关于常数项和时间趋势项选择问题，这里的常数项为个体(panel)固定效应(panel specific means)，时间趋势项与前面的一样。再考虑到关于N和T的设定问题，ρi假设问题，残差自相关问题，因此，目前有六种面板数据单位根检验方法，如下图所示。其中，Levin–Lin–Chu (2002), Harris–Tzavalis (1999), Breitung (2000; Breitung and Das 2005), Im–Pesaran–Shin (2003), and Fisher-type (Choi 2001)检验中的H0假设为所有个体(panel)中包含一个单位根。The Hadri (2000) Lagrange multiplier (LM)检验中的H0假设为所有个体(panel)都是(趋势)稳定的。

六种面板数据单位根检验程序

这六种检验方法的区别如下：

在每种检验方法中都有对常数项、时间趋势项设定的分类。比如，对于LLC检验，其中有三个选择项：无常数项、有常数项、有常数项和时间趋势项。对于无常数项(nonconstant)，一般适用于T比根号N增加得快(那T可能比N要增加得慢)的情形；对于有常数项和有常数和时间趋势项，一般适用于T比N增加得快的情形。又比如，对于HT检验，无论是否有常数项和时间趋势项，都适用于T固定但N会趋向于无限大的情形。从关于N和T的设定上，我们就知道哪些检验方法适用于宏观实证，哪些适用于微观实证，这里假定的前提是宏观数据一般N是固定但T可以变大或者T比N能以更快速度变大，而微观数据一般N是可以变大，但T变化较慢。

对于LLC检验，微观数据里可以选择nonconstant，而宏观数据里往往选择constant或者constant加上trend。而对于HT检验，无论是否包括nonconstant和trend，多适用于微观数据。

除了N与T的设定外，还有ρ的设定问题，LLC、HT和Breitung三大检验要求ρ对于所有个体(panel)都是相同的，即像下图这样ρi都等于ρ。

但IPS和Fisher type两大检验要求ρi对于每个个体(panel)都不同，即每个个体都有一个专属ρ。这个区别倒不很影响我们对这些检验方法的选择，所以各位学者在结果中看相关的p值即可，显著就拒绝H0假设。

这些检验方法还有对面板数据平衡性要求的区别，LLC、HT、Breitung和Hadri LM适用于平衡面板数据，而IPS、Fisher type使用非平衡面板数据。

下面直接用示例来做说明：

LLC检验。

下面这个是LLC检验最一般化的数学表达式，我们要检验是否等于0，等于0就表示有单位根。另外，在式子中加主要是为了消除自相关问题，因为凡是涉及到时间序列的都会遇到残差项自相关问题。

具体数据和程序

use http://www.stata-press.com/data/r13/pennxrate

xtunitroot llc lnrxrate if g7, lags(aic 10)  

解释一下：xtunitroot是面板单位根检验的程序，llc是用的llc检验方法，lnrxrate是对这个变量做单位根检验，if g7是一个限定样本的条件语句而已，lags(aic 10)就是里面的p最大为10，即让程序帮助选择一个滞后期（最大为10）使得AIC信息准则最小。

注意：这里没有加时间趋势项，因为从直觉上理解lnrxrate并没有一个全局趋势（就是影响每个个体的趋势）。

解读结果：H0为包含单位根，但检验结果显示P-value为0，因此拒绝了有单位根的假设。

如果我们担心这些个体存在很多相似性，因此可能会有截面自相关问题，那么需要使用demean去消除截面自相关。

xtunitroot llc lnrxrate if g7, lags(aic 10) demean

HT检验

xtunitroot ht lnrxrate, demean

breitung检验，这里使用robust选项消除截面自相关问题。

xtunitroot breitung lnrxrate if oecd, robust

IPS检验

xtunitroot ips lnrxrate if oecd, demean

xtunitroot ips lnrxrate if oecd, lags(aic 8) demean

Fisher type检验，使用的是dfuller检验方法，加入了drift(常数)但是没有时间趋势项。

xtunitroot fisher lnrxrate, dfuller drift lags(2) demean

hadri检验

xtunitroot hadri lnrxrate if oecd, kernel(bartlett 5) demean

各位学者，可以到计量社群或面板研究小组获得更多关于面板数据分析的阅读素材和资料。

拓展性阅读

之前，咱们圈子引荐过一些数据库，如下：1.这40个微观数据库够你博士毕业了；2.中国工业企业数据库匹配160大步骤的完整程序和相应数据；3.中国省/地级市夜间灯光数据；4.1997-2014中国市场化指数权威版本；5.1998-2016年中国地级市年均PM2.5；6.计量经济圈经济社会等数据库合集；7.中国方言,官员, 行政审批和省长数据库开放；8.2005-2015中国分省分行业CO2数据；9.国际贸易研究中的数据演进与当代问题；10.经济学研究常用中国微观数据手册。

之前，咱们圈子引荐了一些处理内生性问题的文章，各位学者可以参看以下文章：1.“内生性” 到底是什么鬼? New Yorker告诉你；2.Heckman两步法的内生性问题；3.IV和GMM相关估计步骤，内生性、异方差性等检验方法；4.最全估计方法，解决遗漏变量偏差，内生性，混淆变量和相关问题；5.忽略干扰因素，内生性，遗漏变量偏差及相关问题下的估计；6.非线性面板模型中内生性解决方案；7.内生性处理的秘密武器－工具变量估计；8.内生性处理方法与进展；9.内生性问题和倾向得分匹配；10.你的内生性解决方式out, ERM独领风骚；11.面板数据里处理多重高维固定效应的神器；12.面板数据是怎样处理内生性的；13.计量分析中的内生性问题综述；14.工具变量IV与内生性处理的解读；15.一份改变实证研究的内生性处理思维导图；16.Top期刊里不同来源内生性处理方法；17.面板数据中heckman方法和程序；18.控制函数法CF, 处理内生性的广义方法；19.二值选择模型内生性检验方法；20.2SRI还是2SPS, 内生性问题的二阶段CF法实现；21.内生变量的交互项如何寻工具变量；22.显著不显著的后背是什么

前些日，咱们圈子引荐了“实证研究中用到的200篇文章, 社科学者常备toolkit”，各位学者甚至要求将文章发送其邮箱进行深度学习。不少高校院长甚至校长也要求门下的研究生有选择性地阅读相关文章，为日后更为严谨规范的实证计量分析打下坚实的基础。

下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。

2年，计量经济圈公众号近1000篇文章，

Econometrics Circle

数据系列：空间矩阵 | 工企数据 | PM2.5 | 市场化指数 | CO2数据 |  夜间灯光 | 官员方言  | 微观数据 |

计量系列：匹配方法 | 内生性 | 工具变量 | DID | 面板数据 | 常用TOOL | 中介调节 | 时间序列 | RDD断点 | 合成控制 | 

数据处理：Stata | R | Python | 缺失值 | CHIP/ CHNS/CHARLS/CFPS/CGSS等 |

干货系列：能源环境 | 效率研究 | 空间计量 | 国际经贸 | 计量软件 | 商科研究 | 机器学习 | SSCI | CSSCI | SSCI查询 |

计量经济圈组织了一个计量社群，有如下特征：热情互助最多、前沿趋势最多、社科资料最多、社科数据最多、科研牛人最多、海外名校最多。因此，建议积极进取和有强烈研习激情的中青年学者到社群交流探讨，始终坚信优秀是通过感染优秀而互相成就彼此的。