面板数据(panel data)是指不同对象在不同时间上的指标数据。目前面板数据被广泛地应用于经济研究中。本文简单介绍下，使用SPSSAU进行面板数据回归分析步骤。
一、数据格式
下图中，展示的就是一个面板数据的例子。数据为9个地区2008~2018共11年的各项经济指标数据。
地区列反映的是数据不同的截面，即不同的研究个体。日期列反映了数据的时序性，即反映不同时期的数据。面板数据是二者的结合，上传数据时需要注意标识出研究个体编号(地区)和时间点(年份)分别是什么。
二、模型识别
面板数据进行回归影响关系研究时，即称为面板模型(面板回归)。一般情况下，面板模型可分为三种类型，分别是FE模型(固定效应模型)，POOL模型(混合估计模型)和RE模型(随机效应模型)。
最终应该选择哪个模型，可通过各个检验进行判断。SPSSAU分别进行F检验，BP检验和Hausman检验(豪斯曼检验),结合三个检验，最终判断出哪个模型最优。
如果是经济类数据，多数情况下FE模型更优，因而很多研究直接默认不检验直接使用FE模型；一般情况下，三种模型的选择上有区别，但结论上一般区别不会太大。
三、SPSSAU操作
案例：这里我们以上面提到的9个地区的11年的数据作为案例数据，用以说明。
数据中包括X1(城乡居民年末储蓄存款), X2(年末常住人口), X3(城镇化率), X4(教育支出)共4个自变量，因变量为GDP。
操作步骤：点击【计量经济研究】→【面板模型】。SPSSAU面板模型
研究4个自变量对于因变量GDP的影响，并且需要标识出面板数据，分别将地区和日期放入对应的‘个体ID’和‘时间’框中。操作面板
四、结果分析
SPSSAU共输出3类表格，分别是检验汇总表格，面板模型结果汇总表格，模型中间过程结果表格。
通过F检验比较FE模型与POOL模。
通过BP检验确定应该建立RE模型还是POOL模型。
通过Hausman检验选择FE模型或RE模型。
分析步骤参考SPSSAU提供的“分析建议”及“智能分析”。本案例中通过检验给出最终选择“FE模型”。
SPSSAU会提供全部三种模型的分析结果，我们只需要以FE模型结果作为标准。SPSSAU分析结果
从表格中可以看出：针对X1(城乡居民年末储蓄存款)而言，其呈现出0.01水平的显著性(t =11.880,p =0.000 <0.01)，并且回归系数值为0.967>0，说明X1(城乡居民年末储蓄存款)对GDP会产生显著的正向影响关系。
针对X2(年末常住人口)而言，其并没有呈现出显著性(t =1.623,p =0.108>0.05)，因而说明X2(年末常住人口)对GDP不会产生影响关系。
针对X3(城镇化率)而言，其呈现出0.01水平的显著性(t =-4.073,p =0.000 <0.01)，并且回归系数值为-1.076<0，说明X3(城镇化率)对GDP会产生显著的负向影响关系。
针对X4(教育支出)而言，其并没有呈现出显著性(t =1.461,p =0.148>0.05)，因而说明X4(教育支出)对GDP不会产生影响关系。
每个模型的具体过程值可查看对应模型的“模型中间过程结果表格”，这里不再赘述。
有兴趣的小伙伴可以登录SPSSAU官网实际操作。
最后，附上案例数据链接：