aiwiki.page
中文
数学 / 概率与统计 / panel-data

面板数据

面板数据追踪多个单位随时间的变化,可用于分析变化、持续性差异、动态关系和因果效应。

27 个关键词5 个词条链接到这里3 个尚未撰写AI 撰写
计量经济学因果推断时间序列估计量普通最小二乘法内生性条件期望统计识别面板数据

面板数据是在多个时间点对多个单位(如个人、家庭、企业、学校或国家)进行观测所获得的数据。它结合了区分不同单位的横截面维度,以及通过连续观测追踪这些单位的时间维度。例如,包含同一批企业历年用工记录的数据集就是面板数据;而每年分别调查不同企业所得到的数据,则属于重复横截面数据,而不是企业层面的面板数据。

面板数据的独特价值在于,它既能揭示单位之间的差异,也能揭示同一单位内部的变化。重复观测有助于将持续存在的特征与不断变化的环境区分开来,将调整过程与静态关联区分开来,并考察事件发生的时间。这些优势使面板数据在计量经济学、社会研究、行政统计及许多其他领域中占据重要地位。不过,重复观测并不等于相互独立的重复样本:持续存在但未被观测到的差异、时间上的依赖关系、观测缺失以及变量之间的反馈,都需要明确加以处理。

因此,面板数据分析并不只是对规模更大的数据集进行普通回归。其方法取决于用于识别的变异来自何处、对未观测特征作出何种假设、单位数与时期数的相对大小,以及分析的目的。即使使用相同的记录,描述、预测和因果推断也可能需要不同的模型。

数据结构、研究设计与历史发展

典型的面板数据记录结果变量 yity_{it} 和解释变量向量 xitx_{it},其中 i=1,…,Ni=1,\ldots,N 表示各个单位,t=1,…,Tt=1,\ldots,T 表示各个观测期。平衡面板在每一期都观测所有单位,共得到 NTNT 条单位—时期记录。非平衡面板中,各单位的观测次数不同。非平衡性只是对数据结构的描述,本身并不意味着数据存在缺陷:企业可能陆续进入市场,各国可能从不同日期开始报告数据,调查也可能有意引入新的受访者。

面板数据与单一时间序列的区别在于,它包含多个单位,可以比较这些单位各自的变化轨迹。它与重复截面数据的区别则在于,同一单位的身份在各次观测中保持不变。不过,重复截面数据仍可构成由稳定的汇总单位组成的面板,例如按地区和年份计算的均值。伪面板根据出生年代等相对稳定的特征,将历次截面调查的受访者划分为不同群组,再对各群组的均值进行跨期跟踪。但群组的样本构成不断变化,会带来真正的个体面板所没有的测量与抽样问题。

当 NN 相对于 TT 较大时,面板通常称为短面板;当每个单位都有较多期观测时,则称为长面板。一项对10,000户家庭开展五轮观测的住户调查就是短面板的例子;而对20个国家连续60年的年度观测,则具有较长的时间维度。这些区别之所以重要,是因为某个估计量的数学依据,可能建立在单位数量不断增加而期数保持固定的条件上,也可能依赖较长的时间跨度。在一种极限框架下适用的估计量,在另一种框架下未必表现良好。

制度和研究基础设施的发展,推动面板分析成为重要的研究领域。密歇根大学的收入动态追踪调查始于1968年,持续跟踪个人和家庭单位。德国社会经济面板调查始于1984年,英国家庭面板调查则始于1991年。这类研究使人们能够考察收入流动、就业状态转换和家庭变化,而不再只是比较人口在不同时点的截面状况。此后,税收、就业、企业和教育领域的行政记录进一步扩大了可用面板数据的规模,并提高了其观测频率。

面板分析的统计基础沿着几个相互关联的研究传统逐步发展。误差成分模型对单位持久性特征所引起的相关性作出了形式化描述,而计量经济学研究则着重考虑这些特征可能与可观测回归变量相关的情形。重要贡献包括亚伊尔·蒙德拉克于1978年对相关个体效应的处理、斯蒂芬·尼克尔于1981年对动态面板偏差的分析,以及曼努埃尔·阿雷利亚诺和斯蒂芬·邦德于1991年提出的动态面板估计量。这些进展确立了一点:观测模式、实质性研究问题以及对不可观测变量的假设,共同决定了面板数据可以如何分析。

线性模型与识别的来源

标准的线性面板模型为

yit=α+xit′β+ai+λt+uit,y_{it}=\alpha+x_{it}'\beta+a_i+\lambda_t+u_{it},

其中,α\alpha 为截距,β\beta 为系数向量,aia_i 为不随时间变化的个体效应,λt\lambda_t 为所有个体共有的时期效应,uitu_{it} 为个体特有的扰动项。个体效应可以代表长期稳定的管理水平、地理特征或持久的家庭偏好。时期效应可以代表价格、法规或宏观经济状况的共同变化。这种加性结构是一项假设:它无法涵盖不同个体对共同事件作出不同反应的所有方式。

面板数据的变异有两个基本组成部分。个体间变异涉及各个体均值之间的差异,例如,平均资本支出较高的企业是否也有较高的平均产出。个体内变异涉及观测值对各自个体均值的偏离,例如,一家企业在资本支出异常高的年份,产出是否也随之上升。这两种关系不一定一致。高生产率企业可能始终保持较高的投资水平,而同一家企业短期内增加投资,对产出的影响则可能存在滞后,而非立即显现。

如果持久存在但被遗漏的特征与解释变量相关,那么在不考虑 aia_i 的情况下使用混合普通最小二乘法,就可能产生内生性。例如,用培训支出解释生产率的回归,可能会将培训的作用与管理水平上的持久差异混为一谈。由此得到的系数混合了企业内部的变化和企业之间的差异。面板数据使这些变异来源得以区分,但并不能自动确定,应由哪一种变异来识别所关注的关系。

静态模型中常用的一项假设是严格外生性:

E ⁣(uit∣xi1,…,xiT,ai)=0for every t.E\!\left(u_{it}\mid x_{i1},\ldots,x_{iT},a_i\right)=0 \quad\text{for every }t.

这里的条件期望表达了如下要求:给定解释变量完整的观测历史和个体效应,任一时期扰动项的条件均值都为零。这比仅要求同期不相关更强。例如,它排除了当期未预期的生产率冲击影响企业未来投资的情形,除非模型的其他部分已对这种反馈作出刻画。

识别还要求,在剔除相关效应后,解释变量仍具有足够的独立变异。某项特征如果在同一个体内始终不变,就无法通过个体内比较来识别其系数。同样,在单一国家的企业面板中,如果某一年的全国利率对所有本国企业都相同,就无法将其影响与不受约束的年份效应区分开来。这些属于统计识别和矩阵的秩问题,并不是增加观测数量就一定能解决的缺陷。

最后,采用共同的斜率向量,意味着假定相同的边际关系适用于所有个体和时期。当效应存在差异时,混合估计得到的系数可能概括的是某种特定的加权组合,而非普遍适用的参数。因此,对它的解释既取决于模型,也取决于数据中变异的分布。

固定效应与一阶差分

固定效应模型将各单位特有的截距视为不受约束的干扰参数,并允许它们与观测到的回归变量相关。其核心做法是在估计斜率之前,先消除以加法形式存在的持久异质性。在不含时期效应的单向模型中,定义 yˉi=Ti−1∑tyit\bar y_i=T_i^{-1}\sum_t y_{it},并同样根据单位 ii 各个已观测时期的数据定义 xˉi\bar x_i 和 uˉi\bar u_i。减去单位均值可得

yit−yˉi=(xit−xˉi)′β+(uit−uˉi).y_{it}-\bar y_i =(x_{it}-\bar x_i)'\beta+(u_{it}-\bar u_i).

由于单位效应在该单位的所有观测中保持不变,因此会被消去。对这些变换后的变量进行普通最小二乘估计,即可得到组内估计量。

一种等价的方法是在模型中为每个单位分别设置一个指示变量,并对截距施加适当的规范化约束。这种最小二乘虚拟变量形式便于解释模型,但显式构造数百万个指示变量可能导致计算效率低下。现代实现通常通过去均值或迭代投影来吸收固定效应。对于同时包含单位效应和时期效应的平衡面板,变换

y~it=yit−yˉi−yˉt+yˉ\widetilde y_{it} =y_{it}-\bar y_i-\bar y_t+\bar y

可以消除这两组加性效应。对于观测结构任意不平衡的面板,简单的双重去均值通常并不足够;投影必须考虑实际的观测分布。

一阶差分是消除不随时间变化的单位效应的另一种方法:

Δyit=Δxit′β+Δλt+Δuit,\Delta y_{it} =\Delta x_{it}'\beta+\Delta\lambda_t+\Delta u_{it},

其中,Δyit=yit−yi,t−1\Delta y_{it}=y_{it}-y_{i,t-1}。当只有两个时期时,对于相应的模型,一阶差分与组内估计量会给出相同的斜率估计。当时期更多时,由于两者对扰动项采用不同的变换,其估计效率通常有所不同。如果水平值方程中的扰动项不存在序列相关,差分后的扰动项就会呈现负的一阶序列相关。反之,当水平值方程中的扰动项具有很强的持续性时,差分可能是较有吸引力的选择。

固定效应只能消除模型所表示的特定异质性。单位效应吸收保持不变的特征,而时期效应吸收对所有单位产生相同加性影响的共同冲击。两者都无法自动控制随时间变化的管理质量、各单位受到共同冲击影响的差异,或结果变量与回归变量的同时决定关系。加入单位特有的线性趋势,可以允许各单位具有不同的基准变化轨迹,但也会改变用于识别的变异:此时,系数取决于相对于这些拟合趋势的偏离。

组内变换也有不可忽视的代价。不随时间变化的回归变量会被消去,而变化缓慢的变量可能只剩下很少的可用变异。在持久性信号被消除之后,测量误差的相对重要性可能上升。例如,职业培训的固定效应系数比较的是同一个人在接受不同程度培训的各个时期的结果;它并不直接衡量为什么始终接受培训的人与始终不接受培训的人存在差异。

在标准的短面板条件下,估计大量单位截距本身并不会使静态线性模型中的斜率估计量失去一致性。这一结论并不能自动推广到动态或非线性模型设定。因此,“固定效应”描述的是一种处理异质性的方式,而不是对无偏估计或因果解释的普遍保证。

随机效应与相关效应模型

随机效应模型通过概率分布来刻画单位异质性,而不是为每个单位估计一个不受约束的截距。在常规线性设定中,aia_i 的均值为零、方差为 σa2\sigma_a^2,而 uitu_{it} 的方差为 σu2\sigma_u^2。如果特异性扰动在不同时期之间不相关,则复合扰动 vit=ai+uitv_{it}=a_i+u_{it} 满足

Cov⁡(vit,vis)=σa2(t≠s).\operatorname{Cov}(v_{it},v_{is})=\sigma_a^2 \quad(t\ne s).

同一单位的观测值具有相关性,因为它们共享同一个持久性分量。这种误差分量结构为单位内部的相依性提供了直接的统计解释。

常规随机效应估计量要求单位效应与解释变量不相关,同时还需对特异性扰动作出适当假设。在标准模型下,广义最小二乘法利用由此得到的协方差矩阵,有效地结合单位内和单位间的信息。对于平衡面板,其变换可写为

yit−θyˉi=α(1−θ)+(xit−θxˉi)′β+(vit−θvˉi),y_{it}-\theta\bar y_i =\alpha(1-\theta) +(x_{it}-\theta\bar x_i)'\beta +(v_{it}-\theta\bar v_i),

其中

θ=1−σu2σu2+Tσa2.\theta =1-\sqrt{\frac{\sigma_u^2}{\sigma_u^2+T\sigma_a^2}}.

当单位分量可以忽略不计时,θ\theta 趋近于零,这一变换近似于混合回归。当单位分量占据主导地位时,θ\theta 趋近于一,这一变换则趋近于单位内去均值变换。

固定效应与随机效应之间的区别,常被误解为仅仅取决于样本单位是否确实是随机抽取的。在计量经济学实践中,关键区别在于如何假设不可观测的单位异质性与解释变量之间的关系。随机抽取家庭样本,并不能证明家庭持久的偏好与收入或教育程度不相关。反过来,即使研究对象是有限个有具体名称的机构,只要分层模型适合推断目的,仍然可以采用这种模型。

相关随机效应模型放宽了常规的正交性约束。蒙德拉克的设定利用各单位解释变量的均值来表示单位效应:

ai=xˉi′π+ci,a_i=\bar x_i'\pi+c_i,

其中,假设残差分量 cic_i 与解释变量的历史取值之间满足适当的不相关条件。纳入 xˉi\bar x_i,可以将单位内部的变化与单位之间的系统性差异区分开来。在标准的平衡线性模型框架下,如果纳入了相关均值,并采用相同的模型设定,那么时变解释变量的系数就与固定效应的组内斜率估计一致。其他相关设定则使用解释变量历史取值的更细致函数。

豪斯曼检验由杰里·豪斯曼在其1978年关于模型设定检验的研究中提出,用于比较这样一组估计量:在所设定的原假设模型成立时,它们应当一致;但当该模型的正交性约束不成立时,它们会出现差异。在常规的固定效应与随机效应比较中,该检验利用两种斜率估计之差的估计协方差,对二者进行比较。经典计算方法依赖于特定的效率与协方差假设;稳健的替代方法则需要作出相应调整。

随机效应模型还可以通过部分汇聚来预测各单位特有的结果。对于信息有限的单位,其估计值会更大程度地向模型给出的总体预测值收缩。这可以改善预测,但本身并不能验证将斜率解释为结构效应或因果效应所需的外生性假设。

依赖性、不确定性与统计推断

重复观测会改变不确定性的计算方式。一个涵盖 1,000 家企业、历时十年的面板共有 10,000 条记录,但这些记录所提供的独立信息,通常不及对 10,000 家互不相关的企业各观测一次所获得的信息多。持续的生产率特征、共同的管理惯例以及存在序列相关的冲击,都会使同一家企业的各次观测相互依赖。因此,将所有扰动项视为相互独立的常规回归公式,可能会大幅低估标准误,即使系数估计量仍然具有一致性。

聚类稳健标准误允许指定簇内的扰动项具有任意协方差结构,但须满足能够支持跨簇平均的假设。如果各家企业构成相互独立的簇,则按单位聚类的协方差估计量具有如下三明治形式:

V^(β^)=(X′X)−1(∑i=1NXi′u^iu^i′Xi)(X′X)−1,\widehat V(\widehat\beta) =(X'X)^{-1} \left( \sum_{i=1}^{N}X_i'\widehat u_i\widehat u_i'X_i \right) (X'X)^{-1},

其中应采用适当的有限样本修正,且 XX 应理解为估计中实际使用的设计矩阵,包括经过相关变换后的形式。与简单的异方差稳健估计量不同,中间项保留了同一单位在不同时期的残差交叉乘积。

适当的聚类层级取决于依赖结构和处理分配结构,而不只是数据集各行的标识符。如果政策在地区层面分配,同一地区的企业可能既接受相同处理,又受到共同的不可观测冲击。在这种情况下,仅在企业层面聚类可能会遗漏企业之间的重要依赖关系。在适当条件下,双向聚类能够同时容纳同一单位跨时期的依赖,以及同一时期不同单位之间的依赖。但它并非适用于所有空间或网络依赖模式的通用修正方法。

对于推断而言,独立簇的数量往往比记录条数更重要。簇数较少时,常规的大样本近似可能不够准确,尤其是在各簇规模或处理暴露程度极不均衡的情况下。自由度调整、专门的小样本修正和野生聚类自助法,分别针对这一问题的不同方面。若处理仅在少数组之间发生变化,任何修正都无法凭空创造独立的政策变异。

横截面依赖带来了另一类挑战。各国的结果变量可能受到全球金融状况的影响;相邻地区可能受到共同天气条件的影响;企业之间也可能通过供应商建立联系。时期指示变量能够消除共同的加性冲击,却不一定能消除对各单位具有不同载荷的冲击。根据抽样框架和时间维度的不同,推断可能需要明确设定的共同因子模型、空间依赖结构,或利用较长时间序列的协方差估计量。

不确定性还涉及分析所代表的总体或过程。涵盖一国所有市镇的面板,是对这些市镇的普查,但回归仍可能涉及扰动项、政策分配、未来时期或更广泛的潜在过程所带来的不确定性。置信区间必须结合相应的推断框架来解释。在不合理的独立性假设下得到的狭窄区间,并不能证明研究所关注的实质性关系已被精确掌握。

动态面板与内生解释变量

许多面板数据中的结果变量都取决于其自身的历史。就业会逐步调整,企业会积累资本,家庭收入也可能连续多个时期高于或低于其长期水平。一个简单的动态模型设定为

yit=ρyi,t−1+xit′β+ai+uit.y_{it}=\rho y_{i,t-1}+x_{it}'\beta+a_i+u_{it}.

系数 ρ\rho 表示在控制模型中纳入的变量和个体效应之后,结果变量的持续性。在满足 ∣ρ∣<1|\rho|<1 的稳定共同系数模型中,某个解释变量发生永久性变化的长期乘数为 βj/(1−ρ)\beta_j/(1-\rho)。这一解释还要求模型的其余结构及解释变量的生成过程能够支持所考虑的永久性变化。

滞后因变量会给组内估计量带来问题。去均值后,yi,t−1−yˉi,−1y_{i,t-1}-\bar y_{i,-1} 通常与变换后的扰动项相关,因为滞后结果变量包含过去的扰动,而这些扰动也参与了扰动项均值的计算。尼克尔在1981年的分析中确立了标准情形下由此产生的短面板偏误。在时期数固定时,增加个体数并不能消除这一偏误;在常见情形下,其主导项的量级为 1/T1/T。

一阶差分消除了 aia_i,但并未消除内生性:

Δyit=ρΔyi,t−1+Δxit′β+Δuit.\Delta y_{it} =\rho\Delta y_{i,t-1}+\Delta x_{it}'\beta+\Delta u_{it}.

解释变量 Δyi,t−1\Delta y_{i,t-1} 包含 ui,t−1u_{i,t-1},而 Δuit=uit−ui,t−1\Delta u_{it}=u_{it}-u_{i,t-1},因此两者相关。在对原始扰动项的序列依赖施加适当限制的条件下,结果变量更早期的滞后值可以用作工具变量。一个典型的矩条件为

E ⁣[yi,t−sΔuit]=0,s≥2.E\!\left[y_{i,t-s}\Delta u_{it}\right]=0, \qquad s\ge 2.

这些限制是关于数据生成过程的假设,而不是仅凭差分就能得出的结论。

阿雷利亚诺和邦德于1991年提出的差分估计量通过广义矩估计将这些限制结合起来。解释变量可分为严格外生变量、前定变量和内生变量,每一类所允许使用的工具变量各不相同。前定变量可以对早期冲击作出反应,但不能对当期冲击作出反应;内生变量则可能与当期扰动项相关,因此需要使用更早期的滞后值或外部工具变量。

当结果变量具有很强的持续性时,滞后水平值可能是差分变量的弱工具变量。系统广义矩估计与阿雷利亚诺和奥林匹娅·博韦尔1995年的研究,以及理查德·布伦德尔和斯蒂芬·邦德1998年的研究密切相关。这种方法将差分方程与以滞后差分作为工具变量的水平方程结合起来。新增的矩条件要求对初始条件,以及变量变化与个体效应之间的关系作出假设。

诊断检验会考察序列相关和过度识别约束,但通过检验并不能确立工具变量的有效性。当水平扰动项不存在序列相关时,差分误差出现一阶相关是预期之中的;二阶相关则与通常使用的滞后工具变量约束更为直接相关。工具变量的数量也可能随时期数迅速增加,导致对内生变量的过度拟合,并削弱模型设定检验的效力。因此,动态面板估计结果在很大程度上取决于所使用的具体工具变量、滞后期范围和矩条件。

政策评估与因果解释

面板数据记录受干预单位和对照单位在干预前后的结果,为因果分析提供支持。其主要优势在于能够进行时间维度和组间的比较:研究者可以观察各组是否原本就存在差异,考察变化发生的时间,并消除某些持续存在的差异。但这些特点并不意味着观察性面板数据等同于随机对照试验。一项政策可能恰恰是因为结果不断恶化才出台的,而个体也可能因预期将受到干预而提前改变行为。

基本的双重差分法设计将处理组的结果变化与未处理组的结果变化进行比较:

τ^=(yˉT,post−yˉT,pre)−(yˉC,post−yˉC,pre).\widehat\tau =(\bar y_{T,\mathrm{post}}-\bar y_{T,\mathrm{pre}}) -(\bar y_{C,\mathrm{post}}-\bar y_{C,\mathrm{pre}}).

这里,TT 和 CC 分别表示处理组和对照组,而非时间段。在两期情形下,可以通过包含组别效应、时期效应以及处理组与处理后时期交互指示变量的回归,得到这一估计量。面板观测使研究者能够持续追踪同一批单位,不过,在适当条件下,双重差分法也可以使用重复横截面数据来实施。

核心识别约束是平行趋势:如果没有受到处理,处理组平均结果的变化应与对照组相同。固定效应可以消除基线水平差异,但不能确保反事实情形下的变化趋势平行。其他相关假设涉及预期行为、溢出效应和样本构成。如果某地区的补贴使就业从未受处理的邻近地区转移到受处理地区,对照组本身也可能受到影响,从而改变估计值的含义。

事件研究模型用一组表示相对于处理发生时间的指示变量,替代单一的处理指示变量。这类模型描述估计变化发生的时间,并能揭示政策实施前的差异。然而,处理前系数在统计上不显著,并不能证明平行趋势成立;检验可能缺乏足够的统计功效,而且某些违背平行趋势的情况只会在临近实施时出现。反过来,表面上的处理前变化也可能反映预期行为或估计量的构造方式,而不一定意味着研究设计本身存在问题。

当不同单位在不同时期开始接受处理时,分期实施会带来额外的复杂性。传统的双向固定效应回归可能将已经接受处理的单位用作较晚接受处理单位的对照。如果处理效应因接受处理的批次而异,或随接受处理的时长而变化,所得系数就未必等于直观意义上的平均处理效应,而且可能包含负权重。相比之下,组别—时期估计量会定义具体的处理效应,并在明确的假设下,将接受处理的各批次单位与从未接受处理或尚未接受处理的单位进行比较。

因果解释也取决于目标估计量。最初实施某项政策的效应、接受处理五年后的效应,以及对始终留在观测样本中的单位的效应,是不同的量。处理强度变化、处理状态逆转和迁移,都可能使单一的二元指示变量不足以刻画处理情况。面板数据有助于描述这些过程,但因果识别仍然来自处理分配机制或有充分依据的反事实论证,而非仅仅来自重复测量。

非线性模型、观测缺失与数据管理

并非所有面板数据的结果变量都适合用线性条件均值模型描述。就业状态是二元变量,专利数量是非负整数,而事件发生前的等待时间则需要用持续时间模型来描述。逻辑回归、计数回归及其他广义线性模型的面板扩展形式,能够更直接地刻画这些结果。然而,在线性回归中用于消除加性效应的方法,通常无法消除非线性模型中的单位异质性;当时期数较少时,直接为每个单位估计一个截距还可能引发偶然参数问题。

条件固定效应逻辑回归是一个重要的特例。在其所依赖的逻辑回归设定和条件独立性假设下,以某个单位的成功总次数为条件,可以从条件似然中消去该单位的截距。观测结果始终为零或始终为一的单位,不会为这一用于估计斜率的条件似然提供任何信息。固定效应泊松估计是另一个有用的例子:只要条件均值设定正确,斜率估计就可以具有一致性,而不要求条件均值与条件方差相等,不过统计推断仍须处理离散程度和依赖关系。

非线性随机效应模型对单位异质性所服从的指定分布进行积分,通常采用最大似然估计或贝叶斯推断。其结果可能取决于分布假设,以及模型是否允许异质性与协变量相关。在非线性模型中,条件系数与总体平均效应通常是不同的量。在给定潜在单位效应的条件下描述变化的系数,不能直接解释为总体平均结果概率的边际变化。

观测缺失带来的问题不同于模型选择问题。当单位停止参与调查,或因其他原因不再被观测到时,就会发生面板流失。如果低收入家庭更有可能退出调查,那么仅根据持续参与的受访者进行估计,就可能错误地反映收入变化轨迹。不过,单位不再出现,并不一定意味着数据缺失:企业关闭可能本身就是研究关注的结果,而死亡或退休也可能意味着适用观测期的结束。因此,在选择统计处理方法之前,必须先明确记录缺失的含义。

按估计的观测概率加权,以及采用缺失数据插补,可以在特定假设下处理数据缺失问题。但这两种方法都无法在不施加任何限制的情况下重建信息。即使以已有历史信息为条件,是否能够观测到某个单位仍取决于未观测到的结果时,识别就会格外困难。补充样本可以提供有关后续总体构成的信息,但不会自动恢复每个缺失个体的变化轨迹。

可靠的数据构建同样重要。在企业合并、家庭拆分、机构重组和报告系统变更过程中,单位标识符必须保持稳定。日期必须区分数据的参照时期与发布日期,变量定义也必须保持可比。长格式存储通常将每个单位在每个时期的一条观测记录放在一行;检查重复的单位—时期标识、非规则的时间间隔和不一致的计量单位,可以避免许多分析错误。

最后,预测评估必须与预期用途相符。随机拆分记录可能使同一单位同时出现在训练集和测试集中,也可能使模型在预测较早时期的结果时接触到较晚时期的观测。按时间划分的评估考察预测未来的能力,而将部分单位整体留作测试集,则考察对从未见过的单位的泛化能力。这些设计检验的是不同的能力,因此对同一个面板模型可能得出差异很大的评价。