Eviews面板数据回归过程解析——以在企业现金流量和盈利质量上的应用为例

一、变量描述

变量名称	变量	变量表示	变量解释
因变量	净利润	Roe
自变量	经营活动产生的现金流量净额	Ocf
自变量	投资活动产生的现金流量净额	Icf
自变量	筹资活动产生的现金流量净额	Fcf
控制变量	企业规模	Size	资产总额

本文由于选择变量的数值范围较大。故将每个变量减小100000000倍。

二、单位根检验
本文选取时间为2008-2018年，截面为30个公司，即所有变量的均为面板数据。在对面板数据进行回归分析之前，为了避免伪回归，要先进行面板数据的平稳性检验，即单位根检验。如果面板数据满足：均值是与时间t无关的常数；方差是与时间t无关的常数；协方差是只与间隔K有关，与时间t无关的常数；则称此面板是平稳的。简言之，就是面板数据围着某一特定均值上下波动。本次选择ADF检验、LLC检验和PP检验，分别对Roe、Ocf、Icf、Fcf、Size进行单位根检验，结果如下。

由上表可知，在LLC检验中，变量Roe、Ocf、Icf、Fcf、Size的检验t值分别为-5.5095、-8.4962、-10.6506、-14.7012、-2.9554，P值均小于0.01，说明结果显著。即可以拒绝原序列不平稳的原假设。说明所有变量均在LLC检验下平稳。
同样在ADF检验和PP检验中，变量Roe、Ocf、Icf、Fcf同样显著。综合ADF检验、LLC检验和PP检验可知，变量Roe、Ocf、Icf、Fcf、Size均是平稳序列。

三、协整分析
协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。所以，非平稳序列的因果关系检验就是协整检验。

ADF	t-Statistic	Prob.
Roe 与Ocf	-2.7700***	0.0028
Roe 与Icf	-3.6181***	0.0001
Roe 与Fcf	-2.0389***	0.0207
Roe 与Size	-2.3935***	0.0083
ALL	-5.5994***	0.0000

由上表可知，在一线城市中，Roe 与Ocf、Icf、Fcf、Size的协整检验值分别为-2.7700、-3.6181、-2.0389、-2.3935，检验P值分别为0.0028、0.0001、0.0207 、0.0083。P值均小于于0.05，说明结果显著，即拒绝Roe 分别与Ocf、Icf、Fcf、Size不存在协整关系的原假设。即Roe 与Ocf、Icf、Fcf、Size分别存在协整关系。且在所有变量的协整检验中，其检验值为-5.5994，检验P值为0.0000，显著小于0.01，即有理由拒绝所有变量不存在协整关系的原假设，说明所有变量之间存在协整关系。

四、模型选择
由协整分析可知，因变量与自变量存在显著的协整关系。且变量总体协整检验均通过。基于本文考虑多个因素对房价的影响。故所有模型均考虑所有变量。
1、维数检验
在对模型进行随机效应和固定效应前，需要先进行Chow检验，即检验模型常数是随着时点变，或是个体变，亦或是随着时点和个体都变。即首先检验模型常数是否有变化。其原假设为不随这时点变，或是个体变，亦或是随着时点和个体都变。

检验方法	Statistic	d.f.	Prob.
个体检验 F	23.4455	(29,286)	0.0000
个体检验 Chi-square	401.6400	29	0.0000
时点检验 F	3.1099	(10,286)	0.0009
时点检验 Chi-square	34.0639	10	0.0002
个体/时点检验 F	18.1923	(39,286)	0.0000
个体/时点检验 Chi-square	411.5945	39	0.0000

由Chow检验可知，个体检验的 F检验值和卡方值分别为23.4455、401.6400，P值均小于0.01，说明结果显著，即有理由拒绝模型常数不随个体变的原假设。
时点检验的F检验值和卡方值分别为3.1099、34.0639，P值均小于0.01，说明结果显著，即有理由拒绝模型常数不随时点变的原假设。
在时点和个体双检验中，其F检验值和卡方值分别为18.1923、411.5945，P值均小于0.01，说明结果显著，即有理由拒绝模型常数不随个体变和时点变的原假设。
综合上述三个检验，即模型常数是随着个体和时点在变化的。

2、Hausman检验
通过Chow检验可知，模型常数是随着个体和时点变化的。于是利用Hausman检验判断是固定效应或者随机效应。固定效应模型假设个体效应在组内是固定不变的，个体间的差异反映在每个个体都有一个特定的截距项上； 随机效应模型则假设所有的个体具有相同的截距项，个体间的差异是随机的。
固定效应模型，表示你打算比较的就是你现在选中的这几组。例如，我想比较3种药物的疗效，我的目的就是为了比较这三种药的差别，不想往外推广。这三种药不是从很多种药中抽样出来的，不想推广到其他的药物，结论仅限于这三种药。“固定”的含义正在于此，这三种药是固定的，不是随机选择的。
随机效应模型，表示你打算比较的不仅是你的设计中的这几组，而是想通过对这几组的比较，推广到他们所能代表的总体中去。例如，你想知道是否名牌大学的就业率高于普通大学，你选择了北大、清华、北京工商大学、北京科技大学4所学校进行比较，你的目的不是为了比较这4所学校之间的就业率差异，而是为了说明他们所代表的名牌和普通大学之间的差异。你的结论不会仅限于这4所大学，而是要推广到名牌和普通这样的一个更广泛的范围。“随机”的含义就在于此，这4所学校是从名牌和普通大学中随机挑选出来的。

Chi-Sq. Statistic	Chi-Sq.	d.f.	Prob.
时点随机效应检验	14.2447	4	0.0066
个体随机效应检验	69.8782	4	0.0000

由上表可知，当假设时点为随机效应时，其检验卡方值为14.2447，P值为0.0066<0.01，说明结果显著，即拒绝原假设。有理由认为本模型为时点固定效应。
当假设个体为随机效应时，其检验卡方值为69.8782，P值为0.0000<0.01，说明结果显著，即拒绝原假设。有理由认为本模型为个体固定效应。
综上所述，本模型应当选择个体固定效应和时点固定效应模型。

五、回归结果

变量	Coefficien	Std. Error	t-Statistic	Prob.
常数	70.1396	5.8602	11.9686	0.0000
Ocf	-0.0107*	0.0064	-1.6765	0.0947
Icf	-0.0123*	0.0070	-1.7366	0.0835
Fcf	-0.0679***	0.0145	-4.6677	0.0000
Size	0.0098***	0.0003	29.2608	0.0000
	Adj- R-squared=0.9786	F=350.9685	F_prob=0.000

由上表可知，模型的Adjusted R-squared为0.9786，接近于1，说明模型的拟合度非常高。自变量对因变量的解释程度也非常高。方程F值为350.9685，P值为0.0000<0.01，说明结果显著，模型的回归方程显著。具体系数解释就不写了。。。

六、稳健性检验
为了检验上述回归结果的可靠性、稳健性。于是选择对被解释变量进行滞后一期处理，即考虑自变量对因变量的滞后影响。结果如下。

变量	Coefficien	Std. Error	t-Statistic	Prob.
常数	36.2940***	6.3020	5.7591	0.0000
Ocf	-0.0172***	0.0065	-2.6579	0.0084
Icf	-0.0270***	0.0071	-3.8210	0.0002
Fcf	-0.0570***	0.0139	-4.1096	0.0001
Size	0.0107***	0.0004	29.9332	0.0000
	Adj-R-squared=0.9802	F=353.7890	F_prob=0.000

以上是面板数据回归过程。

平稳

非平稳

选择

选择

变截距

单位根检验

格兰杰因果检验

协整检验

回归

OLS回归

面板数据

面板数据

CHOW检验

Hausman检验

CHOW检验：检验截距是否随着个体和时点变，若两者都不是，则是POOL模型，即OLS回归。即检验变不变。
Hausman检验：检验检验截距随着个体或时点怎么变，是随机效应还是固定效应。即检验怎么变。

下面贴个OLS回归的过程的对比
1、统计性描述

Variable	Obs	Mean	Std.Dev.	Min	Max
roe	330	212.39	451.13	-170.49	2556.26
ocf	330	390.26	1160.21	-3383.60	8825.32
icf	330	-333.31	997.81	-7572.79	2578.89
fcf	330	32.06	314.53	-1112.60	2447.82
size	330	14622.45	39427.75	4.38	232226.90

2、相关性分析

变量		roe	ocf	fcf	icf	size
roe	Pearman	1	0.735**	-0.686* *	0.042	0.959**
	P		0.000	0.000	0.449	0.000
ocf	Pearman	0.735**	1	-0.820**	0.033	0.725**
	P	0.000		0.000	0.546	0.000
icf	Pearman	-0.686**	-0.820**	1	-0.155**	-0.685**
	P	0.000	0.000		0.005	0.000
fcf	Pearman	0.042	0.033	-0.155**	1	0.161**
	P	0.449	0.546	0.005		0.003
size	Pearman	0.959**	0.725**	-0.685**	0.161**	1
	P	0.000	0.000	0.000	0.003

变量		roe	ocf	fcf	icf	size
roe	Spearman	1	0.613**	-0.423**	-0.122*	0.749**
	P		0.000	0.000	0.027	0.000
ocf	Spearman	0.613**	1	-0.562**	-0.341**	0.555**
	P	0.000		0.000	0.000	0.000
icf	Spearman	-0.423**	-0.562**	1	-0.137*	-0.559**
	P	0.000	0.000		0.013	0.000
fcf	Spearman	-0.122*	-0.341**	-0.137*	1	0.035
	P	0.027	0.000	0.013		0.529
size	Spearman	0.749**	0.555**	-0.559**	0.035	1
	P	0.000	0.000	0.000	0.529

3、回归

变量	Coefficien	Std. Error	t-Statistic	Prob.
常数	51.4975**	6.8274	7.54	0.0000
Ocf	0.0140	0.0107	1.31	0.1910
Icf	-0.0190	0.0117	-1.63	0.1040
Fcf	-0.1638**	0.0210	-7.79	0.0000
Size	0.0106**	0.0002	43.31	0.0000
	Adj-R-squared=0.9345	F=1173.83	F_prob=0.000

很明显，面板回归更好点，分析的更全面。