Eviews面板数据回归过程解析

一、变量描述

本文由于选择变量的数值范围较大。故将每个变量减小100000000倍。

二、单位根检验 本文选取时间为2008-2018年，截面为30个公司，即所有变量的均为面板数据。在对面板数据进行回归分析之前，为了避免伪回归，要先进行面板数据的平稳性检验，即单位根检验。如果面板数据满足：均值是与时间t无关的常数；方差是与时间t无关的常数；协方差是只与间隔K有关，与时间t无关的常数；则称此面板是平稳的。简言之，就是面板数据围着某一特定均值上下波动。本次选择ADF检验、LLC检验和PP检验，分别对Roe、Ocf、Icf、Fcf、Size进行单位根检验，结果如下。 由上表可知，在LLC检验中，变量Roe、Ocf、Icf、Fcf、Size的检验t值分别为-5.5095、-8.4962、-10.6506、-14.7012、-2.9554，P值均小于0.01，说明结果显著。即可以拒绝原序列不平稳的原假设。说明所有变量均在LLC检验下平稳。 同样在ADF检验和PP检验中，变量Roe、Ocf、Icf、Fcf同样显著。综合ADF检验、LLC检验和PP检验可知，变量Roe、Ocf、Icf、Fcf、Size均是平稳序列。

三、协整分析 协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。

由上表可知，在一线城市中，Roe 与Ocf、Icf、Fcf、Size的协整检验值分别为-2.7700、-3.6181、-2.0389、-2.3935，检验P值分别为0.0028、0.0001、0.0207 、0.0083。P值均小于于0.05，说明结果显著，即拒绝Roe 分别与Ocf、Icf、Fcf、Size不存在协整关系的原假设。即Roe 与Ocf、Icf、Fcf、Size分别存在协整关系。且在所有变量的协整检验中，其检验值为-5.5994，检验P值为0.0000，显著小于0.01，即有理由拒绝所有变量不存在协整关系的原假设，说明所有变量之间存在协整关系。

四、模型选择 由协整分析可知，因变量与自变量存在显著的协整关系。且变量总体协整检验均通过。基于本文考虑多个因素对房价的影响。故所有模型均考虑所有变量。 1、维数检验 在对模型进行随机效应和固定效应前，需要先进行Chow检验，即检验模型常数是随着时点变，或是个体变，亦或是随着时点和个体都变。即首先检验模型常数是否有变化。其原假设为不随这时点变，或是个体变，亦或是随着时点和个体都变。

由Chow检验可知，个体检验的 F检验值和卡方值分别为23.4455、401.6400，P值均小于0.01，说明结果显著，即有理由拒绝模型常数不随个体变的原假设。 时点检验的F检验值和卡方值分别为3.1099、34.0639，P值均小于0.01，说明结果显著，即有理由拒绝模型常数不随时点变的原假设。 在时点和个体双检验中，其F检验值和卡方值分别为18.1923、411.5945，P值均小于0.01，说明结果显著，即有理由拒绝模型常数不随个体变和时点变的原假设。 综合上述三个检验，即模型常数是随着个体和时点在变化的。

2、Hausman检验 通过Chow检验可知，模型常数是随着个体和时点变化的。于是利用Hausman检验判断是固定效应或者随机效应。固定效应模型假设个体效应在组内是固定不变的，个体间的差异反映在每个个体都有一个特定的截距项上； 随机效应模型则假设所有的个体具有相同的截距项，个体间的差异是随机的。 固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”的含义正在于此，这三种药是固定的，不是随机选择的。 随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。

由上表可知，当假设时点为随机效应时，其检验卡方值为14.2447，P值为0.0066