，是统计学与计量经济学中截面数据与时间序列数据的结合。面板数据不同于混合横截面数据（pooled cross-sectional data）。面板数据是对 同一主体的不同时间点的观测值。混合横截面数据是在不同时点从同一个大总体内部分别抽样，将所得到的数据混合起来的一种数据集。如许多关于个人、家庭和企业的调查，每隔一段时间，常常是每隔一年，重复进行一次，如果每个时期都抽取一个随机样本，那么把所得到的随机样本合并起来就给出一个混合横截面。
相关的技术为纵向研究或面板分析。
例子
上例的多响应置换过程分析（Multiple Response Permutation Procedure, MRPP），两个数据集分别是
*平衡面板 (balanced panel)：每个面板成员（如person）在每个时间点都被观测到数据。
*不平衡面板 (unbalanced panel)：每个面板成员至少被观测到一次。
上例两个数据集都是长格式（long format），即每行数据是一个成员在一个时间点被观测到的数据。另一种格式是宽格式（wide format），即每行数据是一个成员在所有时间点的观测数据。
分析
面板可表示为：
: X_{it}, \quad i = 1, \dots, N, \quad t = 1, \dots, T,
其中i是个体的维度，t是时间维度。一般的面板数据回归模型可写作：y_{it} = \alpha + \beta' X_{it} + u_{it}.
不同的假定可用于这个通用模型的精细结构。两个重要的模型是与随机效果模型。
考虑一个通用的面板数据模型：
: y_{it} = \alpha + \beta' X_{it} + u_{it},
: u_{it} = \mu_i + v_{it}.
\mu_i是个体相关的，时不变效果（如一个国家的地理、气候等），而v_{it}是一个时变随机成分。
如果\mu_i是不可观测的，并相关于至少一个独立变量，这导致了在标准的普通最小二乘法回归时不可观测的方差偏。 但是，面板数据方法，如固定效果估计器或其他可选方法，可用[[first-difference estimator|一阶差分估计器}}来控制。
\mu_i不相关于任何独立变量，普通最小二乘线性回归方法可产生回归参数的无偏的、一致的估计。但是，因为\mu_i是时不变的，这将导致回归误差项的序列相关性（serial correlation）。这意味着更为更有效地估计技术可用。随机效果是这样一种方法：广义最小二乘法特例可控制\mu_i导致的序列相关性结构。
动态面板数据
动态面板数据描述了回归器用到的相依变量的（lag）的情形：
: y_{it} = \alpha + \beta' X_{it} +\gamma y_{it-1}+ u_{it},
滞后相依变量的存在违背了严格的外部性（strict exogeneity），即外部性出现了。固定效果估计器与一阶差分估计器依赖于严格的外部性。因此如果u_{i}被相信相关于一个独立变量，必须采取其他估计技术，如工具变量(instrumental variable) 或高斯混合模型(GMM)技术，如。
参考文献
*
*
*
*
*
外部链接
*[http://psidonline.isr.umich.edu/ PSID]
*[http://www.kli.re.kr/klips/ KLIPS]
*[https://web.archive.org/web/20110719101922/http://www.pairfam.uni-bremen.de/en/study.html pairfam]
*[https://web.archive.org/web/20140416182301/http://survey.keis.or.kr/ENCOMAM0000N.do Korea Employment Survey]
评论 (0)