4.3.3　面板模型检验与筛选

（1）固定效应显著性检验

如前文所述，固定效应模型假定样本的每一个个体之间存在显著性的差异，但是对特定的单个个体来说，组内各个个体之间并不存在时间序列上的差异。如果样本个体之间组间的差异如果同样不明显，那么我们完全可以把这样的面板数据当作混合数据（pooled date），直接采用普通最小二乘法对其进行估计。基于这一思路，需要采用固定效应显著性检验，来判定计量模型究竟是采用固定效应回归模型（fixed effects model，FEM）还是普通最小二乘法回归模型（ordinary least squares，OLS）进行样本估计。

固定效应显著性检验的零假设为个体间（组间）的差异不明显，也就是：

H₀：α₁=α₂=…=α_n

固定效应显著性检验的基本思路为：如果零假设（个体效应不显著）成立，则存在下列关系

这便是我们根据零假设构建的F统计量。其中，r表示混合数据模型，即受约束的模型；u表示固定效应模型，即不受约束的模型。两者仅有一个公共的常数项。

按照上述检验思路，本章使用Stata 12.0软件分别对机电产业和纺织产业的计量模型进行了固定效应显著性检验。

机电产业计量模型的固定效应显著性检验结果表明，F统计量为8.52，假设概率为0.0000。按照判定规则，样本间差异由抽样误差所导致的概率小于0.01。因此，在1%显著性水平上拒绝零假设，根据检验结论，我们认为模型选择固定效应模型优于混合回归模型。

纺织产业计量模型的固定效应显著性检验结果表明，F统计量为33.58，假设概率为0.0000。按照判定规则，样本间差异由抽样误差所导致的概率小于0.01。因此，在1%显著性水平上拒绝零假设，根据检验结论，我们认为模型选择固定效应模型优于混合回归模型。

（2）豪斯曼检验

接下来我们需要判定模型是采用随机效应（random effects model，REM）模型还是固定效应模型。对于此类判定通常选择豪斯曼检验（Hausman test）。该检验方法是由美国麻省理工学院豪斯曼（Jerry Hausman）教授提出来的。豪斯曼检验的零假设为E（u_it｜X_it）=0，即固定效应不存在，由零假设构造的检验统计量H为：

其中，β_LSDV是采用固定效应LSDV模型所获得的回归系数估计量；β_FGLS是采用随机效应模型的FGLS法（可行最小二乘法）所获得的回归系数估计量；∑-1是采用LSDV模型或者是随机效应模型经过FGLS法估计后所获得的协方差矩阵的估计。根据豪斯曼的证明，当固定效应不存在（零假设成立）时，H统计量渐近服从于自由度为K的卡方分布（chi-square distribution），这里的K是回归量的个数。在既定的显著水平之内，如果H统计量的值小于临界值，则接受零假设，模型采用随机效应模型；反之，则拒绝零假设，选择固定效应模型。

本章使用Stata 12.0软件，对机电产业和纺织产业计量模型分别进行了豪斯曼检验。

机电产业计量模型豪斯曼检验结果中，假设概率为0.0000，依据判定规则，在1%显著性水平上拒绝零假设，认为模型选择固定效应模型优于随机效应模型。

纺织产业计量模型豪斯曼检验结果中，假设概率为0.0406，依据判定规则，在5%显著性水平上拒绝零假设，认为模型选择固定效应模型优于随机效应模型。

综上所述，按照固定效应显著性检验和豪斯曼检验的结论，选定固定效应模型为最终选用的回归模型。