一、Eviews对面板数据构建面板回归模型
数据简介：本文使用中国31个省，(-)，5个变量。其中LN表示对数化，CX表示储蓄，JYNX表示教育年限，GDP表示地区生产总值，LNFY表示老年抚养比率，SNFY表示少儿抚养比率。CX为被解释变量，其余为解释变量。
二、面板回归模型概述
图1
我们分别建立混合回归模型(又称不变系数模型)、变截距模型、变系数模型。对文件名为pooldata进行面板回归。
图2
三、Eviews回归模型操作
图3
面板回归分析界面认识——
方框1处：被解释变量
方框3处：common coefficients，在这栏中输入的变量对所有截面成员有相同系数。(可理解混合效应)
cross—section specific，在这栏中输入的变量对pool中每个截面成员系数不同。(可理解为变系数)
period specific。在这栏中输入的变量对poo中每个时期的系数不同。
方框2处：Fixed and Random 其实就是对变截距模型下，选择使用固定效应还是随机效应。
fixed ——f，random——r，none——n
当common中输入被解释变量时：
f-f ：个体时点固定效应模型
r-r ：个体时点随机效应模型
f-n ：个体固定效应模型
n-f ：时点固定效应模型
r-n ：个体随机效应模型
3.1 混合效应模型
图4
图5
上式结果表明，该模型拟合效果极低，这其实跟我们的一般认识是一致的。用一个模型来刻画30个省的回归，由于个体间存在差异性且时间差异，用一个模型来刻画整体特征难免效果不好。我们会在变系数模型看到，所有省的模型都不一致将会更好拟合数据。教育年限和少儿抚养比对储蓄影响在0.05显著水平下无影响。
3.2 个体时点随机效应模型
图6
图7
结果表明，该模型拟合优度大大提高，远远优于混合效应模型。其中GDP对储蓄率的影响较小。Fixed Effect (Cross)之和接近0(8.88178E-16)，Fixed Effect(Period)之和接近0(1.00267E-15)。即偏差之和为0，各地区各年份的平均值为-0.358。
3.3 个体固定效应模型
图8
图9
该模型拟合优度较好，少儿抚养比对储蓄无显著影响。且可以推断，Fixed Effect(Cross)之和也为0，实际通过求和为1.15186E-15，与0无异。因为都表示偏差。31个固定效应之和为-0.051，即各地区平均截距。
3.4 时点固定效应模型
图10
该模型拟合优度仅为0.224，说明模型效果极差，其中教育年限和少儿抚养比对储蓄率无显著影响。Fixed Effects(Period)之和为-3.17801E-15，与0无异。(也即偏差之和为0)。随着年份增长，该偏差在逐渐由负转正。各年份平均为1.293。
3.5 个体随机效应模型
图11
图12
该模型拟合优度较低，少儿抚养比对储蓄无显著影响，Random Effect (Cross)之和为-5.41928E-15，与0无异。
3.5 变系数模型
图13
图14
图15
图16
变系数模型的拟合程度最好，这和我们所理解的相符合。多个回归方程刻画多个省会大大增加模型拟合优度。
