基于面板数据模型的协整和因果性检验

研究金融排斥对排斥群体微观个人的影响，主要也是要谨慎考虑内生性问题，特别是与收入间的内在因果性。因此，我们拟用面板数据模型的因果检验来克服内生性问题[2]，从而研究金融排斥对个人的影响，尤其是对收入的影响。

但若用面板数据协整检验考察变量间的长期因果关系，首先必须保证各变量同阶单整（Engle and Granger，1987），所以在进行面板数据协整检验前要进行面板数据单位根检验。然后，可在存在长期因果关系的条件下，通过面板数据误差纠正模型进行短期的因果关系检验。

（1）面板数据单位根检验。Levin＆Lin（1993）建立的LLC方法是对面板数据进行单位根检验的早期版本，然而，Harris＆ Tzavalis（1999）证明了在时间跨度较小时LLC方法的检验能力较差，于是他们对此进行了改进，建立了Harris＆ Tzavalis检验法。在此基础上，Im，Pesaran＆ Shin（1997）建立了IPS方法，然而，Breitung（1999）却发现IPS方法对于限定性趋势的设定十分敏感，于是，Maddala＆Wu（1999）建立起了MW方法，该方法的优点在于允许单个ADF检验时可有不同的时间滞后期。因此，他们于2003年在考虑了异方差和残差自相关性后，建立起了面板数据单位根检验的W检验方法。具体而言，LLC检验和W检验的计算公式如下：

一是LLC检验，其主要思想是：对于N×T（N为横截面个数，T为时间跨度）的面板数据，建立如下模型：Yit＝ρiYi，t－1＋εit，运用OLS方法进行回归得到回归系数ρ的估计值。

若模型为固定效应面板数据模型，则：

若模型为固定效应且带有时间趋势的面板数据模型，则：

因此，可通过检验是否显著，从而判断序列是否具有平稳性。

二是W检验，首先对N个横截面个体分别进行ADF（pi）回归：

对这N个回归的t值进行平均，得到 （pi，ρi），据此，可以构建Wtbar（p，ρ）值为：

其中，不同T和p下的E［（ti T（pi，0）|βi＝0］以及Var［ti T（pi，0）|βi＝0］值可由Im，Pesaran＆Shin（1997）建立的资料表中查到。因此，也可通过显著性检验判断序列是否平稳。

（2）此时，若保证了数据序列的平稳性后，则可进行面板数据的协整检验来判断变量间的长期均衡关系。正如许多学者所提出的，人均收入和金融排斥间可能存在因果性关系，所以需要先进行这两个变量之间的因果性检验，找到变量间的真正关系，从而来进一步探究金融排斥是否对收入产生了深远的影响，故首先进行面板数据因果性检验。

运用Engle＆Granger（1987）两步检验法，若考虑检验金融排斥是否为人均收入的长期原因时，根据面板数据模型的选择条件，可建立面板数据模型：

lnincoit＝ αit＋βilnexcluit＋γiXit＋uit

其中，Xit表示影响人均收入的变量，我们主要选取了empl和know进行控制，对上述回归方程的残差序列eit建立如下回归方程：

eit＝ ρiei，t－1＋βiexcluit＋γiXit＋uit

于是，可以对回归系数ρ的估计值进行面板单位根的LLC检验，以及对其残差序列进行W检验，若实证发现eit序列为平稳序列，则说明长期关系成立。

对于反过来检验人均收入是否为金融排斥的长期原因时，方法也类似，其模型为：

excluit＝αit＋βilnincoit＋γiXit＋uit

对其残差进行单位根检验，从而来判断人均收入是否对金融排斥有长期的关系。

（3）由于受到数据的时间跨度等影响，上述因果性检验得到的长期关系可能会受到质疑（Dimitrisetal．，2004），因此，需要在长期因果关系成立的条件基础上，进行短期因果关系的检验，从而来提升检验结果的可信度；并且通过短期因果关系的检验，可以进一步揭示金融排斥与人均收入间的关系。

故此，需要建立如下面板数据误差纠正模型：

若原假设H0：λ＝0被拒绝，则表明误差纠正机制在发挥作用，即前面得到的长期关系是可信的；否则便是不可信的；

若上述两个式子的原假设H0：βl＝0均被拒绝，则表明短期因果关系成立，即金融排斥和人均收入间存在着双向的因果性；若仅有一个式子拒绝原假设，则证明仅有这个式子所代表的变量间存在单向因果性关系；若没有一个式子拒绝原假设，则表明金融排斥和人均收入间不存在任何因果性关系。

（4）进一步，若金融排斥对人均收入存在单向或双向的可信的因果关系，则可进一步关注：在长期因果关系模型中βi为多少、是否显著、以及其余各变量的γi值为多少等问题，从而判断出金融排斥对人均收入中起到的长期作用；其次是检验在短期因果关系中βl以及各变量的φl值为多少、是否显著等问题，从而判断出金融排斥以及其余一些变量的短期变动是否会对人均收入的变化产生影响。