稳健性计量经济学

❶ 计量经济学实证分析金融方向选题

不知道是哪个阶段的论文。本科、硕士、博士？不一样的。

我猜应该是本科，因为回“有范例，数据能答在统计年鉴里找到”的要求，一般就是本科或硕士。硕士基本都写过论文，知道这样的要求有些理想化了（主要是指对中国的金融情况而言，发达国家的数据还是比较全面的）。博士论文虽然也需要有文献基础，但是，主要是参考或佐证论文的某个方面，不会拿来做范例的

计量经济学实证分析的话，可以搞一下货币政策的有效性，有范例，数据也可以从网上找到，分省的数据也可以找到。
或者，巴塞尔协议的资本要求对商业银行的影响（盈利性、稳健性），可以选取上市的几家商业银行，数据都是公开的
更简单一点的，农村地区金融深化与经济发展，范例不胜枚举，数据也很容易找到

类似的方向很多，找个金融方面的学术期刊多看几期，会受到启发的。谁都不是神仙，都是在前人的基础上有所感悟、有所提高而已。

❷ 金融学是不是更趋向于文科啊！是不是很多东西需要背记啊！

1,金融学也有很多分支的 .总题上来说确实是偏重于文科.大学数学是学的数学回4.
2,也有偏重于数学的课程.譬如答金融工程,计量经济学等等.纯粹是用数学公式堆出来的.
3,你如果对数学不感兴趣 可以倾向于金融学专业的理论性课程的研究.

关于补充问题的回答:

金融学的主要课程：政治经济学、西方经济学、财政学、国际经济学、货币银行学、国际金融管理、证券投资学、保险学、商业银行业务管理、中央银行业务、投资银行理论与实务等。

要从事证券的工作,除打好坚实的经济学基础以外,还需重点学习,证券投资学,投资银行学等专业知识.

最后祝你学有所成!!!

❸ 计量经济学如何消除异方差

我是学经济的 我很奇怪lz你怎么判断出上述回归存在异方差 上面一个问内题只是20个样本的时间序列容 而且你的回归拟合优度相当的好 99.85% 所有变量都是显著 DW指标又拒绝了自相关 但是我觉得这个回归结果很可疑 因为时间序列我们一般通过取自然对数的方法来考察变化率 而不用绝对数值 这样就消除了潜在的异方差风险

如果你怀疑存在异方差 估计结果仍然是无偏一致的 但结果是无效的 可以用怀特稳健性方差来修正 或者在能够确定残差与解释变量的关系后用广义最小二乘法

❹ 瑞士的普工工业产业主要以什么为主

瑞士，一个因为瑞士手表、雀巢咖啡、班得瑞的音乐而让中国人津津乐道的国家，全国人口为773.9万人，国土面积41293平方公里，2009年名义国内生产总值为5355.678亿瑞士法郎，折合为4932.33亿美元，2009年瑞士人均国内生产总值为63733美元。一个人口仅仅相当于浙江省温州市人口（779万）的国家，却创造了4932.33亿美元的GDP,相当于温州2009年GDP（2430亿人民币，折合363.77亿美元）的13.55倍，相当于中国13亿人口09年GDP（335353亿人民币）的十分之一。其中的巨大差距不得不让我们倒吸一口冷气。作为一个没有出海口、多山、资源贫乏的经济区域，究竟是什么原因造就了瑞士国家经济的巨大生产能力，为什么瑞士经济实力在长期的经济历史发展过程中能不断焕发出亮丽的风采？面对中国的经济转型问题，同时我们也清醒的意识到一个问题，瑞士成功的经济发展经验，其中远远不是雀巢咖啡一种商品可以概括的，瑞士的金融业、精密机械、医药、珠宝加工、贵金属交易、纺织业、化工行业等等产业，在国际市场竞争中都有居住轻重的分量，值得我们中国经济转型认真思考、学习，并在比较分析的基础上积极改变我们的原有经济增长模式，其中的“奥妙”才是我们未来的“经济管理知识金矿”。笔者管中窥豹，结合我们的目前经济发展模式做一个比较研究分析。一、经济资源整合方面瑞士经济资源禀赋严重不足，缺乏原料，大部分工业经济的材料必须依赖进口，同时国内人口较少，劳动力短缺，国内市场需求不足，这成为逼迫、刺激瑞士经济产业创新和升级的源动力。瑞士经济体现出了不同中国经济的思维模式。从经济发展的“制度选择”角度而言，一个国家在有限的资源禀赋制约下，如何利用其有限的经济资源、管理技术、劳动力资源、创造出一个符合国家资源禀赋布局、符合国家战略利益最大化的“宏观经济、产业经济特有模式”，更高地体现出一种经济整合效率，使之可以在一个国家的战略发展时期，创造一个新的经济发展平台，不断体现出一种新的竞争优势，并不断积累这种竞争优势，促使其在新的发展阶段成为一个更高新的起点的基础。瑞士清醒的意识到自己的经济短板，就其经济发展而言，周边面临着德国、意大利、法国等工业经济强国的竞争压力，瑞士的经济必然要定位于其他周边国家没有的细分化市场，按照“人无我有、人有我优”的产业经济思路，定于为产业的高端，在诸多工业强国的夹缝中闯出一条适合瑞士经济发展的道路（这一点，日本二战后亦然）。瑞士不可能和德国竞争汽车产业，也不可能和意大利竞争高级皮鞋加工业，只能另辟蹊径。瑞士本国的没有钻石矿产，但是却是国际珠宝行业的一个交易中心；瑞士人本身没钱，但是却拥有世界上实力雄厚的银行——瑞士银行、瑞士信贷银行，全球三分之一的资本存在瑞士的各个银行。毗邻工业强国德国，但是在专业化和复杂精密机械领域、服务业、营销导向的消费领域，却比德国更有有优势。同时瑞士人注重将其优势资源效益最大化，例如瑞士的资本资源充裕，这使得瑞士有能力将本国的利率调低，以低廉的融资成本发展本国的经济，让企业在盈利的基础上不断扩大再生产，用低利率的杠杆刺激本国的企业良性发展。同时在资本密集型经济领域，瑞士企业将持续低盈利、稳健性、谋求高市场份额的经营作风作为一个根本，因此瑞士企业常常成为历史悠久的“常青树”。计量经济学家保罗.罗默认为：经济发展依赖四个要素：资本、劳动力、技术、资源匹配。瑞士经济在发展过程中，其劳动力是其一个短板，但是瑞士银行的资本充裕，瑞士重视教育、技术力量雄厚，更重要的是其在资源配置效率方面，整合的水平相当高，将一个只有779万人口，自然资源贫乏、山地林立的国家打造成为欧洲经济强国。二、人力资源管理领域由于瑞士实行的高薪制度，逼迫企业必须节约使用劳动力资源，并促使其效益最大化。因此其人力资源管理，瑞士人体现出一种超前、务实的意识。瑞士的历来重视教育问题，其教育师资在某些领域已经超越了美国、英国等西方大牌国家，瑞士拥有全球人口比例最高的技术人力资源，曾经有75位各类专家、学者获得“诺贝尔奖”。其中科学巨匠爱因斯坦就是在瑞士接受的大学教育。同时瑞士的教育还有一个特征，其课程安排符合国内产业需求，如苏黎世大学安排了银行实务的专门教授，因此其人员的失业率相对比较低。第三点是瑞士的教育实行“学徒制度”，一方面年轻人在企业进行实务训练，同时安排一定时间进行职业课程学校进修，力求知识教育、技能教育“两条腿走路”。其教育的着眼点在于瑞士有限的劳动力人员的职业生涯设计。第四瑞士的企业间员工的职业教育思维企业的一种福利制度，在职工教育领域，企业将原公司为准技术工人，而不是蓝领工人，并尽可能将员工的福利提升作为一个企业的文化。同时在劳资纠纷领域，1937年出台的《劳动基准法》，要求冲突双方必须以协商和讨论方式处理，必要时可以要求仲裁，力求一个稳定发展的企业人力资源环境，谋求企业——员工——社会之间的“多赢模式”。瑞士经济的竞争优势源自不断创造专业化生产要素并提升效率，进而在劳动力问题上，保证瑞士经济的快速、稳健发展。同时瑞士意识到效果不可能在所有的科技领域保持优势，但是可以高薪聘请相关知识精英，因此瑞士研发投入十分慷慨（R&D占支出比例全球领先），其整个国家的知识经济产业循环效率十分高，相应的企业给与各类知识精英的回报也十分丰厚，各国的高技术人士，最希望移民的国家是瑞士。这又从人力资源管理领域促进了瑞士经济的不断腾飞。第五是瑞士人的多元文化、多语言能力，由于瑞士属于多国毗邻的国家，一部分瑞士人说法语，一部分人说德语，还有人说意大利语，因此造就了瑞士人的复合型多语言适应能力，在瑞士人文化中我们可以发现德国人的守时、精确，法国人的奔放、对生活的挑剔，意大利人对艺术的追求等多种特征，但是瑞士人博采众长，这又成为瑞士经济不断融合、超越其他国家的一个重要因素。三、产业集群管理领域产业集群管理包含两个内容：一个是传统产业的转型升级，另一个是新兴产业集群的孵化培育。瑞士由于受各种制约因素限制，因此在产业集群培育问题上必须竭尽全力，传统产业集群必须不断保持创新，让“老树开新花”，确保其高额的利润回报；同时在认真研判市场未来需求的基础上，积极的不断孵化新的产业集群，在各个专业化、细分化市场领域保持继续领先的市场份额。瑞士人对于传统产业，极力通过最终的消费商品和服务出口占据最高端的、技术含量最高的细分化市场，确保领先于竞争对手一定时间的技术领先优势，确保丰厚利润的来源。同样是纺织品出口，瑞士人出口的是高级服饰、医疗领域的特殊纺织品，而我们出口的是低技术含量的服装、毛衣、袜子。瑞士出口的商品、服务主要集中在综合商业服务、纺织品、石化产品、个人用品、医疗服务产品等行业，而且各个不同产业集群、高端细分化市场分布较广，相互之间行业相关性较小，瑞士人在孵化不同产业集群的时候，十分注意“不将鸡蛋放在一个篮子里”，这使得瑞士国民经济的综合抗风险能力相当强劲。同时瑞士人对于新兴产业集群构建、孵化领域的投资十分积极，这使得他们对于新兴产业集群的培育始终获得了市场的先机，同时瑞士经济的产业应用转化周期极短，科技成果转化为市场利润的周期很短，特别在医药研发领域，这种新兴产业集群的发展模式尤为明显。第三、瑞士经济的产业布局，始终确保瑞士经济位于整个产业网络的高端控制节点，让瑞士做总部经济、研发经济，让其他国家工厂做生产车间。瑞士位于欧洲的中心，瑞士人意识到此地理的中心，必须转变为整个循环经济发展的控制中心，现实社会中，瑞士人对于整个欧洲的影响力远比其国家领土面积更加大，由于其在整个经济循环中始终定位于高端的、高利润率的经济节点，其摄取的利润总是最大的那块蛋糕，因此在整个国家的国际贸易总，经常项目顺差十分明显，仅仅2010年7月贸易顺差为28.4亿瑞郎。四、中国现实对比及差距一块金属，瑞士人希望将其加工成劳力士手表出口，而我们可能将其制作成玩具出口。劳力士手表和玩具之间的巨大价值差距，代表两个国家资源整合的不同效率。与此形成鲜明的对比，我们国家经济资源丰富，劳动力充裕，市场潜力巨大，但是重视教育、经济资源的配置效率方面有待提升。因此上述问题，体现在经济输出绩效上，我们的经济发展能力、技术创新能力，经济资源有效使用效率就相对对比较低。其中最大的问题在于经济整合效率领域。我们某些区域经济的发展思路还是停留在依赖资本和劳动力劳动密集型产业的原始阶段，区域经济资源禀赋的效用最大化问题认识不足，不知道技术创新、人力资源创新、资源配置效率对于整个区域经济发展的内在的奥妙，最终不得不拿5亿件衬衫换一家飞机。其次在人力资源管理领域形成强烈的反差：职业教育、大学教育师资力量薄弱，课程脱离实际社会需求，大部分人只能说一种外语，多语言能力人才稀缺；人力资源没有职业生涯设计，在职教育没有开展，员工福利待遇低，官二代、富二代阶层固化，知识经济在整个国家经济循环体系中没有得到社会的普遍认可，企业研发投入占企业盈利微乎其微，导致社会对于知识的经济激励环境有待健全。同时我们在企业——员工——社会之间没有构建一个多赢的制度模式，因此在各种经济风波冲击下，显得尤为不稳定。这又反过来影响了我们企业的战略发展潜力。第三、我们现在和瑞士经济模式最大的差距在于“产业集群”的管理水平。目前转型升级、其中一个关键就是经济已经起步的产业集群的升级问题。目前我们产业集群管理有两个困境：贫困地区几乎没有产业集群，发达地区产业集群升级无所适从。贫困地区有一个共同特征：没有产业集群；所有欠发达城市的共同特征是：产业集群单一，缺乏多元化、竞争力。同时我们也注意到中国乡镇企业的另一个特征：产业集群定位偏低，企业研发投入少，外聘高薪技术人才少，对于整个产业链的控制力极差。这就是使得我们的产业集群必然定位于低端、低附加值领域。我们大量投入了资本、劳动、经济资源，但是却换不会应有的社会认可，最终沦落到“别人加工车间”的地步。其中的一个关键因素是：我们的产业经济没有融入知识经济、不注重人力资源的深层次投入。因此未来中国转型，其中的一个重要抓手就是：产业集群管理，没有的抓培育、有的抓产业集群“多元化、竞争力”建设。对于新兴产业的发展，强化“信息对称”建设、提升人员素质，突破技术力量、产业发展战略研判的瓶颈障碍，从新产业孵化、老企业提升创新等多个领域，强化我们经济的转型发展。对照瑞士经济模式，我们相比反差最大的关键问题是：教育基础上的知识经济、产业集群管理、经济资源配置效率。美国管理大师迈克尔.波特称瑞士是“稳如泰山的国家”，泰山是我们的，但是对于“产业经济的发展、国家竞争优势的构建”，我们却不得不佩服瑞士人的睿智和成绩。波特的赞美之词源自其对于瑞士经济、循环效率、人力资源管理、产业集群优势的深层次的系统理解和感悟，当时其基础还是来源于瑞士人对整个国家经济资源禀赋深刻理解基础上的经济整合最优控制思维。如果我们以瑞士经济为“镜子”，我们感到既忧虑又有希望，忧虑的是中国区域经济和瑞士之间的巨大差距，希望的是我们的实体经济还有巨大的“成长空间”。50多年前两弹元勋钱学森说：“外国人行，我们为什么不行？”建国六十年后，我们的国家国力大大增强，但是在经济转型领域，面对诸多经济转型的困难的今天，我们难道没有勇气说：瑞士人行，我们为什么不行？

❺ 分位数回归是个什么玩意

分位数回归(Quantile Regression):是计量经济学的研究前沿方向之一，它利用解释变量的多个分位数（例如四分位、十分位、百分位等）来得到被解释变量的条件分布的相应的分位数方程。
与传统的OLS只得到均值方程相比，它可以更详细地描述变量的统计分布。
传统的线性回归模型描述了因变量的条件分布
受到自变量X的影响过程。普通最dx--乘法是估计
回归系数的最基本的方法，它描述了自变量X对于
因变量y的均值影响。如果模型中的随机扰动项来
自均值为零而且同方差的分布，那么回归系数的最
dx--乘估计为最佳线性无偏估计(BLUE)；如果近
一步随机扰动项服从正态分布，那么回归系数的最
dx--乘法或极大似然估计为最小方差无偏估计
(MⅥ甩)。但是在实际的经济生活中，这种假设常
常不被满足，饲如数据出现尖峰或厚尾的分布、存在
显著的异方差等情况，这时的最小二乘法估计将不
再具有上述优良性且稳健性非常差。最小二乘回归
假定自变量X只能影响因变量的条件分布的位置，
但不能影响其分布的刻度或形状的任何其他方面。
为了弥补普通最dx--乘法(0Ls)在回归分析中
的缺陷，Koenkel"和Pxassett于1978年提出了分位数
回归(Quantile Regression)的思想⋯。它依据因变
量的条件分位数对自变量X进行回归，这样得到了
所有分位数下的回归模型。因此分位数回归相比普
通最小二乘回归只能描述自变量X对于因变量y
局部变化的影响而言，更能精确地描述自变量X对
于因变量y的变化范围以及条件分布形状的影响。
分位数回归能够捕捉分布的尾部特征，当自变量对
不同部分的因变量的分布产生不同的影响时．例如
出现左偏或右偏的情况时。它能更加全面的刻画分
布的特征，从而得到全面的分析，而且其分位数回归
系数估计比OLS回归系数估计更稳健。
近10多年来，分位数回归在国外得到了迅猛的
发展及应用，其研究领域包括经济、医学、环境科学、
生存分析以及动植物学等方面(见本文第四部分)。
为了说明分位数回归的有用性，我们特介绍两个分
位数回归实证分析的例子。Koenker和Machado分
析了1965～1975以及1975～1985这两段时间内世
界主要国家的经济增长情况。模型选取了13个影响
经济增长的自变量，通过分位数回归得出结论：对于
起初的单位资本产出这一自变量来说，它的全部回归分位系数基本保持不变，这就意味着对于经济发
展迅速与缓慢的国家而言，起初的单位资本产出对
于经济增长的影响基本相同；但是教育支出占GDP
的比重以及公共消费占GDP的比重这两个自变量
对于经济发展缓慢的国家影响更加的强烈[2l。
Chen使用分位数回归方法深入研究了美国8 250名
男性的BMI(身体质量指数，一种广泛用于测量偏
胖还是偏瘦的指标，BMI=体重／身高2)情况，并得
出结论：在2～20岁这一快速成长期中，BMI非常
迅速的增加；在中年期间其值保持比较稳定；60岁
以后，BMI的值开始减少⋯3。这对于如何保持一个
健康的身体提供了一种非常有效的措施，可以在各
个阶段中分别采取相应的控制体重的方法。
在概要介绍分位数回归的基本情况后

❻ 计量经济学问题

不知从何时起，解答计量问题成了我日常生活的一部分。天南海北的读者与同道提出了各种各样的计量问题。这里摘取少量的典型问题，希望对从事实证研究的朋友有帮助。
1、在什么情况下，应将变量取对数再进行回归？
答：可以考虑以下几种情形。
，如果理论模型中的变量为对数形式，则应取对数。比如，在劳动经济学中研究教育投资回报率的决定因素，通常以工资对数为被解释变量，因为这是从Mincer模型推导出来的。
第二，如果变量有指数增长趋势（exponential growth），比如 GDP，则一般取对数，使得 lnGDP 变为线性增长趋势（linear growth）。
第三，如果取对数可改进回归模型的拟合优度（比如 R2 或显著性），可考虑取对数。
第四，如果希望将回归系数解释为弹性或半弹性（即百分比变化），可将变量取对数。
第五，如果无法确定是否该取对数，可对两种情形都进行估计，作为稳健性检验（robustnesscheck）。若二者的回归结果类似，则说明结果是稳健的。
2、如何理解线性回归模型中，交互项（interactive term）系数的经济意义？
答：在线性回归模型中，如果不存在交互项或平方项等非线性项，则某变量的回归系数就表示该变量的边际效应（marginal effect）。比如，考虑回归方程
y = 1 + 2x + u
其中， u 为随机扰动项。显然，变量x 对 y 的边际效应为 2，即 x 增加一单位，平均而言会使 y 增加两单位。考虑在模型中加入交互项，比如
y = α + βx + γz + δxz+ u
其中， x 与 z 为解释变量，而 xz 为其交互项（交叉项）。由于交互项的存在，故x 对 y 的边际效应（求偏导数）为β + δz，这说明 x 对 y 的边际效应并非常数，而依赖于另一变量z 的取值。如果交互项系数 δ 为正数，则 x 对 y 的边际效应随着 z 的增加而增加（比如，劳动力的边际产出正向地依赖于资本）；反之，如果δ 为负数，则 x 对 y 的边际效应随着z 的增加而减少。
3、在一些期刊上看到回归模型中引入控制变量。控制变量究竟起什么作用，应该如何确定控制变量呢？
答：在研究中，通常有主要关心的变量，其系数称为 “parameterof interest” 。但如果只对主要关心的变量进行回归（极端情形为一元回归），则容易存在遗漏变量偏差（omittedvariable bias），即遗漏变量与解释变量相关。加入控制变量的主要目的，就是为了尽量避免遗漏变量偏差，故应包括影响被解释变量 y 的主要因素（但允许遗漏与解释变量不相关的变量）。
4、很多文献中有 “稳健性检验” 小节，请问是否每篇实证都要做这个呢？具体怎么操作？
答：如果你的论文只汇报一个回归结果，别人是很难相信你的。所以，才需要多做几个回归，即稳健性检验（robustness checks）。没有稳健性检验的论文很难发表到好期刊，因为不令人信服。稳健性检验方法包括变换函数形式、划分子样本、使用不同的计量方法等，可以参见我的教材。更重要的是，向同领域的经典文献学习，并模仿其稳健性检验的做法。
5、对于面板数据，一定要进行固定效应、时间效应之类的推敲么？还是可以直接回归？我看到很多文献，有的说明了使用固定效应模型的原因，有的则直接回归出结果，请问正确的方法是什么？
答：规范的做法需要进行豪斯曼检验（Hausman test），在固定效应与随机效应之间进行选择。但由于固定效应比较常见，而且固定效应模型总是一致的（随机效应模型则可能不一致），故有些研究者就直接做固定效应的估计。
对于时间效应也同时考虑，比如，加入时间虚拟变量或时间趋势项；除非经过检验，发现不存在时间效应。如果不考虑时间效应，则你的结果可能不可信（或许x 与 y 的相关性只是因为二者都随时间而增长）。
6、如何决定应使用二阶段最小二乘法（2SLS）还是广义矩估计（GMM）？
答：如果模型为恰好识别（即工具变量个数等于内生变量个数），则GMM完全等价于2SLS，故使用2SLS就够了。在过度识别（工具变量多于内生变量）的情况下，GMM的优势在于，它在异方差的情况下比2SLS更有效率。由于数据或多或少存在一点异方差，故在过度识别情况下，一般使用GMM。
7、在面板数据中，感兴趣的变量x 不随时间变化，是否只能进行随机效应的估计（若使用固定效应，则不随时间变化的关键变量 x 会被去掉）？
答：通常还是使用固定效应模型为好（当然，可进行正式的豪斯曼检验，以确定使用固定效应或随机效应模型）。如果使用固定效应，有两种可能的解决方法：
（1）如果使用系统GMM估计动态面板模型，则可以估计不随时间而变的变量x 的系数。
（2）在使用静态的面板固定效应模型时，可引入不随时间而变的变量 x与某个随时间而变的变量 z 之交互项，并以交互项 xz （随时间而变）作为关键解释变量。

❼ 模型制作需要检验些什么

模型的检验包括哪几个方面，具体含义是什么？模型的检验主要包括：经济意义检验、统计检验、计量经济学检验、模型的预测检验。 在经济意义检验中，需要检验模型是否符合经济意义，检验求得的参数估计值的符号、大小、参数之间的关系是否与根据人们的经验和经济理论所拟订的期望值相符合； 在统计检验中，需要检验模型参数估计值的可靠性，即检验模型的统计学性质，有拟合优度检验、变量显著检验、方程显著性检验等； 在计量经济学检验中，需要检验模型的计量经济学性质，包括随机扰动项的序列相关检验、异方差性检验、解释变量的多重共线性检验等； 模型的预测检验，主要检验模型参数估计量的稳定性以及对样本容量变化时的灵敏度，以确定所建立的模型是否可以用于样本观测值以外的范围。正确性分析：（模型稳定性分析，稳健性分析，收敛性分析，变化趋势分析，极值分析等）有效性分析：误差分析，参数敏感性分析，模型对比检验有用性分析：关键数据求解，极值点，拐点，变化趋势分析，用数据验证动态模拟高效性分析：时空复杂度分析与现有进行比较。企业采用的测试手段和大家的方法其实类似，说白了就是跑各种用例尽力覆盖更多的可能，然后去比对运行情况和预期是否一致，或者进一步对代码达到一定的覆盖率。然而，注意到没有，这个过程能不能发现问题和你运行的用例密切相关。虽然相关领域有着大量的研究去自动生成高效的测试用例尽可能覆盖更多的行为，但是对于复杂系统。

❽ 如何在stata中对 ols 回归中的 t 值进行异方差稳健性修正

算和抄互联网技术的广泛运用极大地提高了数据的可获得性，使大量的数据得以收集、保存和整理。与此同时，计量经济学在整个经济学体系中的地位日益提升。在顶级经济学杂志的论文中，应用计量论文已占到了相当高的比例。正是在这些背景之下，面板数据受到了越来越多经济研究人员的欢迎，面板数据的应用研究亦成为热点。
面板数据成为研究的热点一方面自然是因为本身优秀的特质；另一方面也归因于面板数据在应用过程中仍有许多问题和未知领域需要去探索。在面板数据回归分析中，如果存在异方差，最小二乘估计出的系数尽管是线性、无偏和一致的，但不是有效的，甚至不是渐进有效的。这些影响将导致参数估计和假设检验失效。
二、异方差产生的原因

❾ 计量经济学如何学习

1、《经济学来》理论宏观经济学与微观源经济学2、《概率论与数理统计》基础如随机变量、概率分布、期望、方差、协方差、点估计、区间估计、假设检验、方差分析、正态分布、t 分布、F分布等概念和性质3、《线性代数》基础矩阵及运算、线性方程组等4、《经济统计学》知识经济数据的收集、处理和应用

❿ F检验的意义（计量经济学）

F检验的原假设是H0：所有回归参数都等于0，所以F检验通过的话说明模型总体存在，检验不通过，其他的检验就别做了，因为模型所有参数不显著异于0，相当于模型不存在。

F检验（F-test），最常用的别名叫做联合假设检验（英语：joint hypotheses test），此外也称方差比率检验、方差齐性检验。

它是一种在零假设（null hypothesis, H0）之下，统计值服从F-分布的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。

)2/(n-1)

两组数据就能得到两个S2值

F=S2/S2'

然后计算的F值与查表得到的F表值比较，如果

F < F表表明两组数据没有显著差异

F ≥ F表表明两组数据存在显著差异

二、注意事项

F检验对于数据的正态性非常敏感，因此在检验方差齐性的时候，Levene检验, Bartlett检验或者Brown–Forsythe检验的稳健性都要优于F检验。

F检验还可以用于三组或者多组之间的均值比较，但是如果被检验的数据无法满足均是正态分布的条件时，该数据的稳健型会大打折扣，特别是当显著性水平比较低时。但是，如果数据符合正态分布，而且alpha值至少为0.05，该检验的稳健型还是相当可靠的。

若两个母体有相同的方差（方差齐性），那么可以采用F检验，但是该检验会呈现极端的非稳健性和非常态性，可以用t检验、巴特勒特检验等取代。