面板数据对股票

① 对股票对数收益率序列的一阶差分可以嘛有什么经济含义

取对数：
1.如果各个解释变量的数值差距很大，可以对数值高的变量取对数，使得各变量在同一数量层次，估计方程的结果易于解释和书写。
2.符合经济理论的假设。比如X变量增加百分之几，对Y变量有多大影响。即半弹性，弹性方程。
3.取对数通常会缩小变量的取值范围，使得估计值对因变量和自变量的异常观测不那么明显
差分：
1.计量中需要广义差分方法的时候，如时间序列一阶单整变为弱相关，序列相关用广义差分修正，两时期面板数据作差分控制非观测效应（这个貌似不是对变量差分了。。）

对数差分：
第一次看到是在Ben S.Bernanke&Harold James合著的《大萧条中的金本位制，通货紧缩与金融危机：一个国际比较》。作者基于24个国家的面板数据集，实证研究从通货紧缩到产出的各种传递机制的重要性时，做的回归。各个国家的工业产值的对数差分作为被解释变量，批发价格指数的对数差分，名义出口额的对数差分，名义工资的对数差分等变量作为解释变量。题主看不懂他为什么要将变量做对数差分处理。

② excel面板数据整理

在Sheet1的E2输入

=IF(AND(B2>=VLOOKUP(A2,Sheet2!A:B,2,)-90,B2<=VLOOKUP(A2,Sheet2!A:B,2,)+30),"留","")

回车并向下填充（或双击右下角填充柄一步到位）。

选E列筛选“留”。

我把首次公告日的前后日期改为前6天~后3天（共10天）做个示范给你看吧：

③ 面板数据集对经济研究有几大优势

大。微观经济学研究的是单个经济单位，解决的问题是资源配置的有效性，以价格理论为核心理论，以个量分析为研究方法。 宏观经济学则是研究整个国民经济，解决的问题主要是资源利用的充分性，是以国民收入决定为核心理论，以总量分析为研究方法。 微观是宏观的基础，了解宏观才能理解微观。所以应该从基础学起，先学微观。

④ 面板数据 回归 R方只有0.21 P值T值都通过 这个模型可以用么

不可以，R^2只有0.21表示只有21%的数据可以被回归模型解释，这个拟合优度是非常糟糕的，P值T值都通过也只能表明各个自变量对应系数不为零而已，与拟合优度无关

我猜你是用的一元回归模型对股票进行预测了吧

⑤ 在stata中怎样对面板数据进行gmmguji

首先检验解释变量内生性（解释变量内生性的Hausman 检验：使用工具变量法的前提是存在内生解释变量。Hausman 检验的原假设为：所有解释变量均为外生变量，如果拒绝，则认为存在内生解释变量，要用IV；反之，如果接受，则认为不存在内生解释变量，应该使用OLS。
reg ldi lofdi
estimates store ols
xtivreg ldi (lofdi=l.lofdi ldep lexr)
estimates store iv
hausman iv ols
（在面板数据中使用工具变量，Stata提供了如下命令来执行2SLS:xtivreg depvar [varlist1] (varlist_2=varlist_iv) （选择项可以为fe，re等，表示固定效应、随机效应等。详见help xtivreg）
如果存在内生解释变量，则应该选用工具变量，工具变量个数不少于方程中内生解释变量的个数。“恰好识别”时用2SLS。2SLS的实质是把内生解释变量分成两部分，即由工具变量所造成的外生的变动部分，以及与扰动项相关的其他部分；然后，把被解释变量对中的这个外生部分进行回归，从而满足OLS前定变量的要求而得到一致估计量。tptqtp
二、异方差与自相关检验
在球型扰动项的假定下，2SLS是最有效的。但如果扰动项存在异方差或自相关，
面板异方差检验：
xtgls enc invs exp imp esc mrl,igls panel(het)
estimates store hetero
xtgls enc invs exp imp esc mrl,igls
estimates store homo
local df = e(N_g) - 1
lrtest hetero homo, df(`df')
面板自相关：xtserial enc invs exp imp esc mrl
则存在一种更有效的方法，即GMM。从某种意义上，GMM之于2SLS正如GLS之于OLS。好识别的情况下，GMM还原为普通的工具变量法；过度识别时传统的矩估计法行不通，只有这时才有必要使用GMM，过度识别检验（Overidentification Test或J Test）：estat overid
三、工具变量效果验证
工具变量：工具变量要求与内生解释变量相关，但又不能与被解释变量的扰动项相关。由于这两个要求常常是矛盾的，故在实践上寻找合适的工具变量常常很困难，需要相当的想象力与创作性。常用滞后变量。
需要做的检验：
检验工具变量的有效性：
（1） 检验工具变量与解释变量的相关性
如果工具变量z与内生解释变量完全不相关，则无法使用工具变量法；如果与仅仅微弱地相关，。这种工具变量被称为“弱工具变量”（weak instruments）后果就象样本容量过小。检验弱工具变量的一个经验规则是，如果在第一阶段回归中，F统计量大于10，则可不必担心弱工具变量问题。Stata命令：estat first（显示第一个阶段回归中的统计量）
（2） 检验工具变量的外生性（接受原假设好）
在恰好识别的情况下，无法检验工具变量是否与扰动项相关。在过度识别（工具变量个数>内生变量个数）的情况下，则可进行过度识别检验（Overidentification Test），检验原假设所有工具变量都是外生的。如果拒绝该原假设，则认为至少某个变量不是外生的，即与扰动项相关。0H
Sargan统计量，Stata命令：estat overid
四、GMM过程
在Stata输入以下命令，就可以进行对面板数据的GMM估计。
. ssc install ivreg2 （安装程序ivreg2 ）
. ssc install ranktest （安装另外一个在运行ivreg2 时需要用到的辅助程序ranktest）
. use "traffic.dta"（打开面板数据）
. xtset panelvar timevar （设置面板变量及时间变量）
. ivreg2 y x1 (x2=z1 z2),gmm2s （进行面板GMM估计，其中2s指的是2-step GMM）

⑥ 面板数据回归的基本含义

虚拟仪器--软件就是仪器
虚拟仪器, 虚拟示波器, 虚拟仪器技术, 虚拟仪器软件, 虚拟仪器开发, 虚拟仪器组成
一、引言
当前多媒体计算机、信息高速公路和计算机网络是计算机信息科学的三个重要发展方向。它们相互联系、相互促进、共同发展，已经渗透到人们日常工作、生活、学习、娱乐的各个方面，逐步地由办公室、实验室走向家庭。
虚拟现实是多媒体计算机的一个重要应用领域，多媒体技术是虚拟现实的技术基础。虚拟现实（Virtual Reality）是利用多媒体计算机技术生成的一个具有逼真的视觉、听觉、触觉及嗅觉的模拟现实环境。用户可以用人的自然技能对这一虚拟的现实进行交互体验，而用户体验到的结果－－该虚拟现实的反应与用户在相应的真实现实中的体验结果相似或完全相同。虚拟现实的概念包括如下三个层次的含义：
1、虚拟现实是利用计算机技术而生成的逼真的实体，人们对该实体具有真实的三维视觉、立体听觉、质感的触觉和嗅觉。
2、人们可以通过自然技能与虚拟现实进行对话，即人的头、眼、四肢等的各种动作在虚拟现实中的反应具有真实感。
3、虚拟现实技术往往要借助一些三维传感设备来完成交互动作，如头盔式立体显示器、数据手套、数据衣服、三维操纵器等。
虚拟现实技术虽然现在还处于初级阶段，但已在科学可视化、CAD、飞行器／汽车／外科手术、虚拟仪器等的操作模拟等方面得到了应用。已经在航空航天、国防军事、生物医学、教育培训、娱乐游戏、旅游等领域显示出广阔的应用前景。
虚拟仪器(Virtual Instrument--VI)是虚拟现实在仪器仪表领域中的一个重要应用，目前已在国际上悄然兴起。虚拟仪器是以多媒体计算机作为基础，使用图形界面编程技术，模拟实际仪器的面板、功能和操作，从而生成完成各种任务的专用仪器。

由于科学技术的高度发展，导致了各种功能强大、越来越复杂的仪器不断涌现，其中很多仪器都以计算机作为基础，出现了仪器计算机化的趋势，其主要表现为：

1、硬件与计算机的接口标准化
2、硬件软件化
3、软件模块化
4、模块控件化
5、系统集成化
6、程序设计图形化
7、科学计算可视化
8、硬件接口软件驱动化

由于计算机软、硬件技术的不断发展，加之实际应用的需要，使人们对虚拟仪器的兴趣越来越浓厚，研制虚拟仪器也成为了现实的可能。研制虚拟仪器主要源于以下目的：

1、节省仪器开发的时间和经费
2、充分利用计算机数据处理和分析的功能
3、统一仪器的用户界面
4、增强仪器的功能和适用范围
5、集成仪器的需要
6、使仪器容易扩展

虚拟仪器主要由以下几部分组成：

1、界面控件库
2、数据输入、输出
3、数据处理方法库
4、数据表示库
5、数据存储与管理
6、任意信号发生
7、图形界面编程环境

界面控件库中包括一些常用仪器的面板部件，如指示器、计量表、发光二极管、按钮、转盘、刻度盘、滑动条等，每个控件都带有可编程的函数与属性。
数据输入与输出是指从外部设备获取数据进入计算机或从计算机输出数据去控制外部设备，需要建立与数据采集板、串并口、以及其他标准化接口（IEEE-488、GPIB、RS-232、RS-422、SCSI、VXI等）通信的驱动软件，从而扩展仪器的适用
范围与应用领域。
数据处理方法库中集中了许多数据处理方法，如FFT计算、滤波、建模、参数估计等，并提供这些处理方法的编程接口，只需把这些方法简单的组合即可完成各种复杂的任务。
数据表示是指用一定的方式来显示数据和处理结果，其中包括数字显示、曲线显示、直方图、散点图、二维图形、三维网格图形、三维填充图形、四维图形、图象乃至动态图形或图象等，使得数据表示十分直观，易于理解。
数据存储与管理主要是指提供数据存储的格式、数据查询方法、数据浏览方法等。
信号产生是指根据需要产生任意信号，其中一些标准信号可以用于仪器测试和自检之用。
图形编程环境是指用户可以任意组合控件与方法，将其联接成一个整体，形成专用仪器的工具。利用虚拟仪器用户可以象搭积木一样很快生成所需要的各种仪器。

二、现有虚拟仪器与集成环境举例

1、MATLAB：高性能数值计算和数据分析软件

MATLAB是由美国Mathworks公司研制的高性能数值计算和数据分析软件。它已经成为工程和科学研究的工业标准，它具有独特的用户交互界面、复杂的数值计算、强大的数据分析、灵活的科学图形、快速的计算、方便的扩展等特点，是高产和创造性科学研究的首选软件。
MATLAB的基本功能有：
※ 矩阵运算
※ 矩阵分解
※ 矩阵特征值与特征向量计算
※ 信号卷积
※ 谱估计
※ 复数运算
※ 一维和二维FFT
※ 滤波器设计与滤波
※ 曲线拟合
※ 三次样条拟合
※ 贝赛尔函数
※ 非线性优化
※ 线性方程组求解
※ 微分方程

MATLAB包括的工具箱有：

※ 数字信号处理工具箱
※ 控制系统设计工具箱
※ 系统辨识工具箱
※ 自扩展工具箱

MATLAB包括的绘图函数：

※ 直方图
※ 散点图
※ 曲线图
※ 三维网格图
※ 三维填充图
※ 等值线图
※ 极坐标图形
※ X－Y绘图
※ 图象显示

2、DADiSP：科学家和工程师的数据分析与图形软件

DADiSP软件由美国DSP Development Corporation公司研制，主要作为科学家和工程师用于数据分析和图形显示工具。它包括以下功能：

※ 矩阵运算
※ 特征向量与特征值计算
※ 一维、二维FFT与卷积
※ 二维、三维、四维图形显示
※ 医学图象处理
※ 卫星遥感图象处理
※ 地震信号处理
※ 统计分析与处理
※ 实验设计
※ 假设检验
※ 滤波器设计
※ 声纳雷达信号处理
※ 语音与通信信号处理
※ 振动分析

3、MP100：医学信号采集与处理系统

MP100是由美国BIOPAC System公司研制的医学信号采集与处理系统，它与AcqKnowledge软件一起运行，提供灵活的、易于使用的模块化系统，使您能随心所欲的完成数据采集和分析任务。AcqKnowledge是一个功能强大、十分灵活的软件包，它使用下拉式菜单和对话框，无需学习另外的编程语言，就可以设计出复杂的数据采集、模拟、触发和分析系统。主要包括实时数据记录、分析和滤波，离线数据分析与处理，数据的各种图形表示等功能。该系统可以与虚拟仪器LabVIEW联接，提供可视化图形编程环境。它的主要应用领域有：

※ 运动生理学
※ 肌电信号记录
※ 心信电记录与分析
※ 脑电记录与分析
※ 诱发电位记录与分析
※ 眼震电图和眼球运动分析
※ 神经传导分析
※ 精神生理学
※ 药理学
※ 遥测监护

4、LabVIEW：图形编程虚拟仪器

LabVIEW是美国National Instrument Corporation公司研制的图形编程虚拟仪器系统。主要包括数据采集、控制、数据分、数据表示等功能，它提供一种新颖的编程方法，即以图形方式组装软件模块，生成专用仪器。LabVIEW由面板、流程方框图、图标/连接器组成，其中面板是用户界面，流程方框图是虚拟仪器源代码，图标/连接器是调用接口(Calling Interface)。流程方框图包括输入/输出（I/O）部件、计算部件和子VI部件，它们用图标和数据流的连线表示；I/O部件直接与数据采集板、GPIB板、或其他外部物理仪器通信；计算部件完成数学或其他运算与操作；子VI部件调用其他虚拟仪器。

5、LabWINDOWS/CVI：C语言编程的虚拟仪器

LabWINDOWS的功能与LabVIEW相似，且由同一家公司研制，不同之处是它可用C语言对虚拟仪器进行编程。

6、LabLinc V：模块化的虚拟仪器系统

LabLinc V由美国COULBOURN INSTRUMENTS公司研制的模块化虚拟仪器系统，它由基本单元、信号采集与处理、控制等模块组成，主要应用于生理学、生物医学和生物力学等领域中的数据采集、实时显示和过程控制等。

7、HyperSignal：可视化信号处理系统设计

HyperSignal由美国Hyperception公司研制的可视化信号处理系统设计软件，它使信号处理系统设计的过程可视化，同时使信号处理结果可视化。

8、Model900：灵活的数据采集与波形产生系统

Model900由美国Applied Signal Technology公司研制，提供高速大容量数据采集、波形产生等功能，使用虚拟仪器环境以节省开发时间和资金。

9、DASP：大容量数据自动采集与处理分析软件

DASP由东方振动和噪声技术研究所研制，主要用于科学实验数据记录与分析，多功能信号采集与分析，自动化数据采集、显示、读数、计算、分析、存储、打印、绘图等。

10、LabDoc：集成仪器软件包

LabDoc由日本康泰克电子技术有限公司研制，它具有多种测量仪器功能，通过图形用户界面和在线帮助，能提供容易操作的仪器画面。可以应用于实验室、生产线检查、教育与培训等领域，主要测试功能有：

※ 数字滤波
※ 脉冲发生
※ 函数发生
※ 波形发生
※ 调谐信号发生
※ FFT分析
※ 频率计

以上我们列举了十种目前比较流行的虚拟仪器和集成环境系统，其中以美国在这方面的工作最为出色，而我国在这方面才刚刚起步，尚未见到完整的虚拟仪器系统。由以上列举的例子可以看出，虚拟仪器具备如下特点：

※ 涉及较深奥的数值计算方法
※ 集成了信号处理与过程控制算法
※ 软、硬件模块互相独立
※ 具备二次开发的集成编程环境
※ 是多学科交叉、渗透的产物

三、虚拟医学信号处理仪器

医学信号范围十分广泛，其中常见的医学信号有心电、脑电、诱发电位、肌电、眼电、胃电、神经脉冲电位、血压、脉搏波、呼吸波、温度等信号，它们特点各
不相同，有各自的频带、幅度范围、干扰来源等，因而使得医学信号处理变得十分复杂。
无论哪种医学信号仪器，几乎都涉及到信号放大、采集、分析、处理、滤波等共同的任务，同时不同的信号又具有各自特殊的处理方法，这些共同性和特异性的有机结合，形成集成环境是虚拟仪器的基础。
由于多参数临床监护和综合诊断的需要，医学信号的采集处理仪器呈现出集成化的趋势，人们从研制单一功能的医学信号仪器转向研制多功能集成化仪器，然而这种集成化并非单功能仪的堆积组合，而是从不同单功能仪器中找出共同点和不同点，形成软、硬件模块，将医学信号处理仪器计算机化，构成医学信号处理仪器开发环境，即虚拟仪器。
虚拟医学信号处理仪器是一个颇具具前景的领域，许多医疗仪器公司都看好这一市场前景，投入大量的人力、物力和财力来从事这方面的研究与开发，前面提到的MP100医学数据采集系统和LabLinc V模块化虚拟仪器就是其中的杰出代表。
虚拟医学信号处理仪是开发生产各种医学信号仪的工具。对于开发者而言，就可以象搭积木似的很快生成专用仪器，节省大量的开发时间和资金；对于用户而言，可以少花钱，多买仪器。虚拟医学信号处理仪器为集成化多功能仪器的开发奠定了基础，而且可以把最新研究成果尽快的应用到仪器中来。另外，虚拟医学信号处理仪器可以用于对未知信号和信号未知特性的研究，达到快出成果、多出成果的目的。实际上，虚拟医学信号处理仪器也对当前远程医疗、医学电子图书等热门研究领域将起到推波助澜的作用。

四、虚拟仪器相关技术

1、数值计算

在虚拟仪器中，需要提供灵活的数据处理方法，这些方法可根据实际需要由用户通过编程来实现，为了简化编程的复杂程度和节省大量的开发时间，在虚拟仪器中应当尽可能多的提供各种数值计算程序，这些数值计算主要有以下几大方面：

※ 矩阵运算（加、减、乘、逆、转置)
※ 特征值与特征向量计算
※ 矩阵分解
※ 一元、二元插值
※ 数值积分和微分
※ 线性代数方程求解
※ 非线性方程求解
※ 拟合与逼近
※ 特殊函数
※ 回归与统计

2、数字信号处理

在复杂的仪器中，数字信号处理占有重要的地位，因而在虚拟仪器中集成各种数字信号处理方法十分必要，数字信号处理方法可分为几大类：

※ 信号预处理
※ 滤波器设计与滤波
※ 经典谱估计
※ 现代谱估计
※ 相关与卷积
※ 离散变换
※ 数字特征计算
※ 常用信号发生
※ 信号建模
※ 数据压缩

3、计算机图形、图象学

图形和图象是复杂仪器中大量数据的直观表示，例如静态和动态脑电地形图，物体表面温度分布图，电磁场分布图等，它可把原本十分抽象的数据转换成人们易于理解的直观表示；另外，数据及其分析结果人们也习惯于用曲线、直方图、三维图形、等高线图等来表示。所以在虚拟仪器中，建立这些数据的图形、图象表示模块是十分必要的。

4、科学计算可视化

前面提到，复杂大量数据的图形、图象表示在虚拟仪器中十分重要，然而由数据到图形的映射并不是简单的事情，这就是近年来发展起来的科学计算可视化的研究课题。
科学计算可视化的根本目的是把由实验或数值计算获得的大量数据转换成人的视觉可以感受到的计算机图象。利用图象把大量抽象的数据有机的组织到一起，从而形象、生动地展示数据所表示的内容以及它们之间的相互关系，帮助人们直接把握复杂的全局，更好地发现和认识规律，摆脱复杂大量抽象数据的困惑。虚拟仪器中科学计算可视化的引入，将给人们展示出仪器的无限魅力，使仪器具备处理和分析大量复杂数据的能力。

5、面向对象的可视化编程

虚拟仪器是一个集成编程环境，用它人们可以很快地生成自己所需要的复杂仪器。所以虚拟仪器既要可编程又要操作简单，因而人们把面向对象的可视化图形编程技术引入到虚拟仪器中来。在虚拟仪器中集成了许多功能强大的部件，这些部件用直观的计算机图形表示，每个部件都有相应的可控属性、操作和函数，人们只需把这些部件在计算机屏幕上布置好，设置好相应的属性，以及它与其他部件的连接关系，即可生成构成相应功能的仪器。

五、小结

虚拟仪器是当前国内外刚刚起步的研究领域，许多高技术公司和研究所都看好这一市场应用前景，纷纷投入大量的人力、物力和财力，加紧开发与研究。虚拟仪器是多媒体计算机的一个重要应用领域，是多学科交叉、渗透的产物，其中浓缩了许多高、精、尖的科学技术。虚拟仪器不是仪器却高于仪器，它大大缩短了新型仪器的开发周期，节省了仪器开发的费用，它不仅是开发仪器的工具，而且也是进行科学研究的有力手段。虚拟仪器是仪器计算机化的产物，是集成化仪器的基础，是仪器行业的一场革命，它的研制与开发具有深远的意义。

⑦ 面板数据模型可以解决哪些经济问题

步骤一：分析数据的平稳性（单位根检验）
按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250 之间,截面数介于10～250 之间) 的面板单位根检验。Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。
由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5种方法进行面板单位根检验。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS 、H-Z 分别指Levin, Lin & Chu t* 统计量、Breitung t 统计量、lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量、Hadri Z统计量，并且Levin, Lin & Chu t* 统计量、Breitung t统计量的原假设为存在普通的单位根过程，lm Pesaran & Shin W 统计量、ADF- Fisher Chi-square统计量、PP-Fisher Chi-square统计量的原假设为存在有效的单位根过程， Hadri Z统计量的检验原假设为不存在普通的单位根过程。有时，为了方便，只采用两种面板数据单位根检验方法，即相同根单位根检验LLC（Levin-Lin- Chu）检验和不同根单位根检验Fisher-ADF检验（注：对普通序列（非面板序列）的单位根检验方法则常用ADF检验），如果在两种检验中均拒绝存在单位根的原假设则我们说此序列是平稳的，反之则不平稳。如果我们以T（trend）代表序列含趋势项，以I（intercept）代表序列含截距项，T&I代表两项都含，N（none）代表两项都不含，那么我们可以基于前面时序图得出的结论，在单位根检验中选择相应检验模式。但基于时序图得出的结论毕竟是粗略的，严格来说，那些检验结构均需一一检验。具体操作可以参照李子奈的说法：ADF检验是通过三个模型来完成，首先从含有截距和趋势项的模型开始，再检验只含截距项的模型，最后检验二者都不含的模型。并且认为，只有三个模型的检验结果都不能拒绝原假设时，我们才认为时间序列是非平稳的，而只要其中有一个模型的检验结果拒绝了零假设，就可认为时间序列是平稳的。此外，单位根检验一般是先从水平（level）序列开始检验起，如果存在单位根，则对该序列进行一阶差分后继续检验，若仍存在单位根，则进行二阶甚至高阶差分后检验，直至序列平稳为止。我们记I(0)为零阶单整，I(1)为一阶单整，依次类推，I(N)为N阶单整。
步骤二：协整检验或模型修正
情况一：如果基于单位根检验的结果发现变量之间是同阶单整的，那么我们可以进行协整检验。协整检验是考察变量间长期均衡关系的方法。所谓的协整是指若两个或多个非平稳的变量序列，其某个线性组合后的序列呈平稳性。此时我们称这些变量序列间有协整关系存在。因此协整的要求或前提是同阶单整。但也有如下的宽限说法：如果变量个数多于两个，即解释变量个数多于一个，被解释变量的单整阶数不能高于任何一个解释变量的单整阶数。另当解释变量的单整阶数高于被解释变量的单整阶数时，则必须至少有两个解释变量的单整阶数高于被解释变量的单整阶数。如果只含有两个解释变量，则两个变量的单整阶数应该相同。也就是说，单整阶数不同的两个或以上的非平稳序列如果一起进行协整检验，必然有某些低阶单整的，即波动相对高阶序列的波动甚微弱（有可能波动幅度也不同）的序列，对协整结果的影响不大，因此包不包含的重要性不大。而相对处于最高阶序列，由于其波动较大，对回归残差的平稳性带来极大的影响，所以如果协整是包含有某些高阶单整序列的话（但如果所有变量都是阶数相同的高阶，此时也被称作同阶单整，这样的话另当别论），一定不能将其纳入协整检验。
协整检验方法的文献综述：(1)Kao(1999)、Kao and Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,这种方法零假设是没有协整关系,并且利用静态面板回归的残差来构建统计量。(2)Pedron(1999)在零假设是在动态多元面板回归中没有协整关系的条件下给出了七种基于残差的面板协整检验方法。和Kao的方法不同的是,Pedroni的检验方法允许异质面板的存在。(3)Larsson et al(2001)发展了基于Johansen(1995)向量自回归的似然检验的面板协整检验方法，这种检验的方法是检验变量存在共同的协整的秩。我们主要采用的是Pedroni、Kao、Johansen的方法。通过了协整检验，说明变量之间存在着长期稳定的均衡关系，其方程回归残差是平稳的。因此可以在此基础上直接对原方程进行回归，此时的回归结果是较精确的。这时，我们或许还想进一步对面板数据做格兰杰因果检验（因果检验的前提是变量协整）。但如果变量之间不是协整（即非同阶单整）的话，是不能进行格兰杰因果检验的，不过此时可以先对数据进行处理。引用张晓峒的原话，“如果y和x不同阶，不能做格兰杰因果检验，但可通过差分序列或其他处理得到同阶单整序列，并且要看它们此时有无经济意义。” 下面简要介绍一下因果检验的含义：这里的因果关系是从统计角度而言的，即是通过概率或者分布函数的角度体现出来的：在所有其它事件的发生情况固定不变的条件下，如果一个事件X的发生与不发生对于另一个事件Y的发生的概率（如果通过事件定义了随机变量那么也可以说分布函数）有影响，并且这两个事件在时间上又有先后顺序（A前B后），那么我们便可以说X是Y的原因。考虑最简单的形式，Granger检验是运用F-统计量来检验X的滞后值是否显著影响Y（在统计的意义下，且已经综合考虑了Y的滞后值；如果影响不显著，那么称X不是Y的“Granger原因”（Granger cause）；如果影响显著，那么称X是Y的“Granger原因”。同样，这也可以用于检验Y是X的“原因”，检验Y的滞后值是否影响X（已经考虑了X 的滞后对X自身的影响）。 Eviews好像没有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test。说明Eviews是无法对面板数据序列做格兰杰检验的，格兰杰检验只能针对序列组做。也就是说格兰杰因果检验在Eviews中是针对普通的序列对(pairwise)而言的。你如果想对面板数据中的某些合成序列做因果检验的话，不妨先导出相关序列到一个组中(POOL窗口中的Proc/Make Group)，再来试试。
情况二：如果如果基于单位根检验的结果发现变量之间是非同阶单整的，即面板数据中有些序列平稳而有些序列不平稳，此时不能进行协整检验与直接对原序列进行回归。但此时也不要着急，我们可以在保持变量经济意义的前提下，对我们前面提出的模型进行修正，以消除数据不平稳对回归造成的不利影响。如差分某些序列，将基于时间频度的绝对数据变成时间频度下的变动数据或增长率数据。此时的研究转向新的模型，但要保证模型具有经济意义。因此一般不要对原序列进行二阶差分，因为对变动数据或增长率数据再进行差分，我们不好对其冠以经济解释。难道你称其为变动率的变动率？
步骤三：面板模型的选择与回归
面板数据模型的选择通常有三种形式： 一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。一种是固定效应模型（Fixed Effects Regression Model）。如果对于不同的截面或不同的时间序列，模型的截距不同，则可以采用在模型中添加虚拟变量的方法估计回归参数。一种是随机效应模型（Random Effects Regression Model）。如果固定效应模型中的截距项包括了截面随机误差项和时间随机误差项的平均效应，并且这两个随机误差项都服从正态分布，则固定效应模型就变成了随机效应模型。在面板数据模型形式的选择方法上，我们经常采用F检验决定选用混合模型还是固定效应模型，然后用Hausman检验确定应该建立随机效应模型还是固定效应模型。检验完毕后，我们也就知道该选用哪种模型了，然后我们就开始回归：在回归的时候，权数可以选择按截面加权（cross- section weights）的方式，对于横截面个数大于时序个数的情况更应如此，表示允许不同的截面存在异方差现象。估计方法采用PCSE（Panel Corrected Standard Errors，面板校正标准误）方法。Beck和Katz(1995)引入的PCSE估计方法是面板数据模型估计方法的一个创新，可以有效的处理复杂的面板误差结构，如同步相关，异方差，序列相关等，在样本量不够大时尤为有用。

⑧ 面板数据回归分析结果看不懂！！

我给你解读一份stata的回归表格吧，应该有标准表格的所有内容了，因为你没有给范例，……不过我们考试基本就是考stata或者eview的输出表格，它们是类似的。
X变量：教育年限
Y变量：儿女数目

各个系数的含义：
左上列：

Model SS是指计量上的SSE，是y估计值减去y均值平方后加总，表示的是模型的差异
Model df是模型的自由度，一般就是指解释变量X的个数，这里只有一个
Resial SS 和df 分别是残差平方和以及残差自由度 N-K-1（此处K=1）=17565
Total SS 和 df分别是y的差异（y减去y均值平方后加总）以及其自由度N-1=17566
MS都是对应的SS除以df，表示单位的差异

右上列：

Number of obs是观测值的数目N，这里意味着有17567个观测值
F是F估计值，它是对回归中所有系数的联合检验（H0：X1=X2=…=0），这里因为只有一个X，所以恰好是t的平方。这里F值很大，因此回归十分显著。
Prob>F是指5%单边F检验对应的P值，P=0意味着很容易否定H0假设，回归显著。
R-squared是SSE/SST的值，它的意义是全部的差异有多少能被模型解释，这里R-squared有0.0855，说明模型的解释度还是可以的。
Adj R-squared是调整的R-squared，它等于1-（n-1）SSR/（n-k-1）SST，它的目的是为了剔除当加入更多X解释变量时，R-squared的必然上升趋势，从而在多元回归中更好的看出模型的解释力，但是本回归是一元的，这个值没有太大意义。
Root MSE是RMS的开方，是单位残差平方和的一种表现形式。

下列：
Coef分别出示了X变量schooling的系数和常数项的值，其含义是，如果一个人没有受过教育，我们预测会平均生育3个子女，当其他因素不变时，一个人每多受一年教育，我们预测其将会少生0.096个孩子。X变量的coef并不大，因此其实际（也叫经济）显著性并不太高。
Std.err则是估计系数和常数项的标准差。一般我们认为，标准差越小，估计值越集中、精确。
t是t估计值，它用于检验统计显著性，t值较大，因此回归是显著的。
P>abs(t)项是5%双边t检验对应的P值，P=0意味着很容易否定H0假设，统计显著。
95%conf interval项是95%的置信区间，它是x变量的系数（或常数项）分别加减1.96*SE，这是说，有95%的可能性，系数的真值落在这个区域。

⑨ 许多论文用SPSS处理数据，类似股权结构对上市公司绩效的影响。这些数据不是面板数据吗

是面板数据，做面板数据分析的回归，大部分垃圾论文是用spss，专业论文不是的