第五章：面板数据与时间序列

1. 数据结构改变了推断问题

横截面数据在一个时间点观察许多单位；时间序列数据观察一个单位的连续时期；面板数据同时包含单位维度 $i$ 和时间维度 $t$。同一单位的多次观测通常共享不随时间变化的特征，连续时期还可能存在序列相关。

学习目标

• 区分 pooled OLS、固定效应和随机效应；
• 解释组内变换和固定效应估计；
• 选择适当的聚类层级；
• 识别时间趋势、单位根、季节性和结构断点；
• 区分解释动态关系与预测任务。

2. 固定效应模型

考虑：

其中 $\alpha_i$ 是单位固定效应，$\lambda_t$ 是时间固定效应。固定效应吸收不随时间变化的单位特征和所有单位共同经历的时期冲击。

组内变换通过减去单位均值消除 $\alpha_i$：

固定效应估计依赖单位内部随时间变化的处理。若处理几乎不变，组内信息很少，标准误会很大。

3. 固定效应不是自动的因果识别

固定效应控制的是时间不变的未观测差异，不能消除：

• 随时间变化的遗漏变量；
• 处理前趋势不同；
• 反向因果和同时性；
• 测量误差；
• 处理引起的时间变化控制变量。

“加入个体和年份固定效应”是模型设定，不是识别假设的完整描述。要写清楚剩余处理变化为什么可被视为外生，或配合 DID、IV 等设计。

4. 随机效应与 Hausman 直觉

随机效应把单位效应视为随机变量，并要求它与所有解释变量不相关。若该假设成立，随机效应可能更有效；若不成立，固定效应更稳健。Hausman 检验可以提供诊断，但不能替代对数据生成过程和制度机制的判断。

5. 时间序列的平稳性

弱平稳要求均值、方差和协方差结构不随时间变化。带趋势的两个非平稳序列可能产生伪回归：$R^2$ 很高、t 值很大，但关系没有稳定经济含义。

回归前要检查：

• 图形中的趋势、季节性和断点；
• ACF/PACF 与滚动均值/方差；
• 单位根和协整；
• 变换、差分和模型残差。

差分可以去除某些趋势，但过度差分会丢失长期信息。协整关系需要用误差修正或其他适合的动态结构表达。

6. 动态模型与滞后

一个简单 AR(1) 模型为：

当 $|\rho|<1$ 时，冲击会衰减；当 $\rho$ 接近 1 时，冲击持久性很高。滞后变量可以描述调整过程，但加入滞后也会带来初始条件、Nickell 偏误、解释与预测区分等问题。

7. 标准误与有效样本量

时间序列误差往往序列相关，普通或仅异方差稳健标准误可能不够。可考虑 Newey–West、HAC、块 bootstrap 或明确建模误差过程。面板中常按个体聚类；若冲击在时间维度高度共同，还要考虑双向聚类或其他依赖结构。

研究生扩展

• 动态面板与 GMM；
• 单位根、协整和误差修正模型；
• 状态空间、结构 VAR 和局部投影；
• 空间相关、网络效应和多维聚类；
• 高频数据、混频模型与实时预测。

自测题

1. 固定效应消除了哪类遗漏变量？
2. 为什么固定效应不自动解决反向因果？
3. 伪回归可能有什么表面特征？
4. 为什么时间序列要考虑序列相关标准误？
5. 在面板中，如何决定聚类标准误的层级？

下一章

下一章把估计器放进更广的工具箱，并将实验、DID、RDD 与 IV 的共同逻辑连接起来。