面板数据检验和回归结果

一、单位根检验

为了避免伪回归问题，我们在进行时间序列分析时会通过单位根检验对数据平稳性进行判断。然而，面板数据单位根的检验主要有Levin，Lin＆Chu方法(LLC检验)，Im，Pesaran＆Shin W-Stat方法(IPS检验)，ADF-Fisher Chi-square方法(ADF检验)和PP-Fisher Chi-square方法(PP检验)等方法^[3]。实证过程中我们首先用以上四种方法对各变量分别进行单位根检验，结果如表7-2所示。

表7-2　单位根检验结果

续表7-2

注:＊＊＊、＊＊、*分别表示在1%、5%和10%的显著性水平下通过统计检验。

表7-2中的LLC检验结果表明所有变量在1%和10%的显著性水平下不存在同质面板单位根，然而从IPS、ADF和PP检验来看，ln C Z，ln C和ln Y的检验结果表明存在异质面板单位根，ln Z T和ln Y G在1%的显著性水平下不存在异质面板单位根。其中P F通过了所有检验，说明该变量序列平稳。

综上所述，我们可以得出ln Z T，ln Y G和P F是平稳序列，ln C Z，ln C和ln Y为非平稳序列，需要进一步对变量做差分再对差分后的结果进行平稳性检验。变量差分后的平稳性检验结果如表7-3所示。

表7-3　一阶差分后平稳性检验结果

注:＊＊＊、＊＊、*分别表示在1%、5%、10%的显著性水平下通过统计检验。

从表7-3的检验结果可以看出，变量经过一阶差分后序列为平稳序列，LLC检验显示在1%显著性水平下各变量不存在同质面板单位根，IPS，ADF及PP检验结果显示在1%的显著性水平下不存在异质面板单位根。总之，从不同面板单位根检验可以得到基本一致的结论:各变量经过一阶差分后都是平稳的，即各变量为一阶单整I(1)。

二、协整检验

基于上述单位根检验，我们发现变量之间为一阶单整，那么我们可以进行协整检验，以确定各变量之间的长期联系。早在1987年，Engle和Granger提出的协整理论就为非平稳序列的直接建模提供了一种非常有用的途径，其基本思路是:对于非平稳序列，如果它们的线性组合可以构成平稳序列，此时我们称这些变量序列间有协整关系存在。目前，检验面板数据的协整关系的方法主要有:(1)Kao(1999;2000)构造的DF和ADF检验; (2)Pedroni(2004)构造的7个检验面板协整关系的统计量^[4]。为了保证结果的稳健性，本章将进行Kao方法检验并报告ADF统计量，进行Pedroni方法检验并报告全部统计量，检验结果如下:

表7-4　协整检验

注:＊＊＊、＊＊、*分别表示在1%、5%和10%的显著性水平下通过统计性检验。

从表7-4中可知，Pedroni检验的7个统计量和Kao检验的统计量在1%的显著性水平下拒绝不存在协整关系的原假设，这充分表明各个变量之间存在协整关系。

三、模型设定

本章对最终计量模型的选定包含两个方面:

其中，S R为受约束模型^[6](即混合回归模型)的残差平方和，S ures为变系数模型的残差平方和。N为截面数目，T为时间数目，K为解释变量的个数(下同)。其计算结果为:S R=12．21674，S ures=0．326095，N=34，T=9，K=5，则F=18．784＞F0．01(198，102)=1，故在1%的显著性水平下拒绝不变系数的原假设，该模型确定为变系数模型。

再对模型进行混合回归模型和固定影响模型的检验。其原假设是H0:该模型为混合回归模型，检验的F统计量为:

S R为受约束模型(即混合回归模型)的残差平方和，S RS为最小二乘虚拟变量模型的残差平方和(即固定影响模型)。其计算结果为:S R=12．21674，S RS=2．284277，N=34，T=9，K=5，则F=35．181＞F0．01(33，267)=1．7，故在1%的显著性水平下拒绝原假设，将模型设定为固定影响模型。

(2)采用Hausman检验，进行固定影响模型和随机影响模型的确定，其原假设是H0:该模型为随机影响模型，H1:该模型为固定影响模型。Hausman检验结果如下:

表7-5　Hausman检验结果

由表7-5可知，在1%的显著性水平下，拒绝原假设H0:该模型为随机影响模型，选择固定影响模型比较好。

四、回归结果分析

综上所述，基于本章研究对象的特性，加之使用截面数据中N(截面单元的数目)大于时间长度T(时间序列数据的数量)，模型设定和估计更加侧重于截面分析，因此我们最终将模型设定为固定影响变系数模型，估计方法为横截面加权的方法，并采用面板广义最小二乘估计(即Pooled EGLS)，估计结果如表7-6所示。

表7-6　Pooled EGLS估计结果

续表7-6

续表7-6

续表7-6

注:＊＊＊、＊＊、*分别表示在1%、5%和10%的显著性水平下通过统计性检验，结果保留至小数点后三位。

上述协整检验结果显示，各变量之间存在长期均衡关系(即协整关系)，那么我们对变量进行估计的结果是可信的。为研究金融集聚程度对该地区经济发展的影响，我们着重分析P F(金融集聚程度系数)的数值。从表7-6中我们发现，大部分县市金融集聚程度对经济增长的影响是不显著的，而且与经济增长呈负相关，这与部分学者的研究是一致的，如邓永亮等(2010)，在VAR模型的基础上采用我国年度数据进行研究发现:长期内，金融发展阻碍经济增长，而通货膨胀促进经济增长;短期内，金融发展对经济增长影响不显著，通货膨胀对经济增长影响显著。如果把那些有可能影响经济增长的相关因素都考虑在内的话，换句话说，如果我们对经济增长进行多元回归分析的话，那么信贷比重与经济增长之间的负相关关系就会更加显著(张军，2006)。分析还显示，绝大多数县市的社会消费品零售总额的系数与经济增长是正相关的，这说明该地区主要还是依靠消费来拉动经济增长，特别是在几个旅游胜地，如石门县、中方县、吉首市、凤凰县、龙山县，它们的消费系数都大于1，通过对比发现这些地区的金融集聚程度都没有有力地拉动经济增长，有些地方反而还阻碍经济增长，如石门县、中方县、吉首市和凤凰县。再从规模以上工业总产值系数分析会发现，除少数几个县市以外，绝大多数县市的规模以上工业总产值系数为正，这说明大部分地区的经济增长是靠工业带动的，即规模以上工业总产值对GDP的贡献是巨大的，这是符合经济现象的。然而从政府支出来看，大部分县市的政府支出都有利于经济增长，这说明政府的支出投入到基础设施建设对GDP增长带来的正向效应为本地区的发展做出了贡献。