縱向數(shù)據(jù)

計(jì)量經(jīng)濟(jì)學(xué)中有三種統(tǒng)計(jì)數(shù)據(jù)可用于實(shí)踐分析：

(1) 時(shí)間序列數(shù)據(jù)

(2) 橫截面數(shù)據(jù)

(3) 合并數(shù)據(jù)(時(shí)間序列數(shù)據(jù)與橫截面數(shù)據(jù)的聯(lián)合

其中合并數(shù)據(jù)(pooled data)中既有時(shí)間序列數(shù)據(jù)又有橫截面數(shù)據(jù)。例如，如果我們收集20年間10個(gè)國(guó)家有關(guān)失業(yè)率方面的數(shù)據(jù)，那么，這個(gè)數(shù)據(jù)集合就是一個(gè)合并數(shù)據(jù)，每個(gè)國(guó)家的20年間的失業(yè)率數(shù)據(jù)是時(shí)間序列數(shù)據(jù)，而10個(gè)不同國(guó)家每年的失業(yè)率數(shù)據(jù)又組成橫截面數(shù)據(jù)。

在合并數(shù)據(jù)中有一類(lèi)特殊的數(shù)據(jù)，稱(chēng)為panel數(shù)據(jù)(panel data)，又稱(chēng)縱向數(shù)據(jù)(longitudinal or micropanel data)。即同一個(gè)橫截面單位，比如說(shuō)，一個(gè)家庭或一個(gè)公司，在不同時(shí)期的調(diào)查數(shù)據(jù)。例如，美國(guó)商業(yè)局在一定時(shí)期間隔內(nèi)對(duì)住房的調(diào)查。在每一時(shí)期的調(diào)查中，同樣的(或居住在同一地區(qū)的)家庭被調(diào)查，以觀察自上一次調(diào)查以來(lái)，其住房和經(jīng)濟(jì)狀況是否有變化?？v向數(shù)據(jù)就是通過(guò)重復(fù)上述過(guò)程而得到的，它可對(duì)研究家庭行為的動(dòng)態(tài)化提供非常有用的信息。

縱向冗余校驗(yàn)的異或校驗(yàn)和可以簡(jiǎn)單快速的計(jì)算出來(lái)，將一個(gè)數(shù)據(jù)塊的所有數(shù)據(jù)字節(jié)遞歸，經(jīng)過(guò)異或選通后即可產(chǎn)生異或校驗(yàn)和。由于算法簡(jiǎn)單，可以快速簡(jiǎn)單地計(jì)算縱向冗余校驗(yàn)。然而，LRC并不很可靠，多個(gè)錯(cuò)誤可能相互抵消，在一個(gè)數(shù)據(jù)塊內(nèi)字節(jié)順序的互換根本識(shí)別不出來(lái)。因此LRC主要用于快速校驗(yàn)很小的數(shù)據(jù)塊兒（如32B）。在射頻識(shí)別系統(tǒng)中，由于標(biāo)簽的容量一般較小，每次交易的數(shù)據(jù)量也不大，所以這種算法還是比較適合的。

縱向混合，污水進(jìn)入寬淺河道后,先在垂向混合,然后沿橫向擴(kuò)散,當(dāng)在橫斷面上均勻混合后,向下游擴(kuò)散的現(xiàn)象。此時(shí),已不存在橫向展寬,主要是沿縱向擴(kuò)散,且以縱向離散為主。發(fā)生在離排污口較遠(yuǎn)的區(qū)域,屬于污水進(jìn)入河道后混合的一維縱向離散階段。

由于縱向數(shù)據(jù)中混合效應(yīng)模型結(jié)構(gòu)特別復(fù)雜，非正態(tài)假設(shè)下似然方程不容易建立，這使得模型的估計(jì)和變量的選擇問(wèn)題變得十分困難。 基于Wu and Zhu (2009)提出的正交矩估計(jì)方法，首先用分位數(shù)回歸方法取代最小二乘方法，給出模型中未知參數(shù)的穩(wěn)健估計(jì)，提高估計(jì)的效率；其次，我們擬采用復(fù)合似然方法（Composite likelihood method）給出新的估計(jì)方法，并研究估計(jì)的漸近性質(zhì)；而后給出Scad, Lasso等懲罰準(zhǔn)則進(jìn)行選變量；接著， 再深入研究樣本量較少而固定效應(yīng)或者隨機(jī)效應(yīng)的維數(shù)較大(小n大p)時(shí)，混合效應(yīng)模型中隨機(jī)效應(yīng)和固定效應(yīng)的估計(jì)和變量選擇問(wèn)題；最后，我們把以上研究的結(jié)果推廣到半?yún)?shù)混合模型等。