三种数据类型的区分

面板数据、截面数据、时间序列数据对比说明如下：

一、截面数据

（1）概念

截面数据是指由同一时间、不同个体的一个或多个指标所组成的数据。截面数据强调同一时间的数据，常见的人口普查数据、工业普查数据都是截面数据。

例如：2022年，各省份人口数构成的一组数据为截面数据。

​

（2）适用范围

不同个体在同一时间下由于个体不同而产生的数据。绝大多数统计分析方法都可以分析截面数据，可根据分析目的和截面数据类型进行分析方法的选择。比如定量数据可以进行描述性分析；如果有多个指标可以进行聚类分析、因子分析、主成分分析、回归分析等。不同类别之间的数据还可以进行方差分析、t检验、卡方检验等差异性分析。

二、时间序列数据

（1）概念

时间序列数据是指不同时间、同一个体的一个或多个指标组成的数据。时间序列数据强调不同时间，并且数据严格按照时间顺序排序，如：年、月、日、小时等等。

例如：2013年-2021年北京市人口数。

​

（2）适用范围

同一个体随时间变化产生的数据。时间序列数据存在先后顺序，一般用来研究事物的发展变化规律，在经济学中非常常见。时间序列数据有专门的时间序列预测模型，比如ARIMA模型、指数平滑法预测等。还可以用来查看总体变化趋势、周期性、季节性变化趋势等。

三、面板数据

（1）概念

面板数据是不同时间、不同个体的一个或多个指标组成的数据，具有个体和时间两个维度，是二维数据。面板数据可以理解为在截面上的个体在不同时间的重复观测数据。

例如：2013-2021年各省份人口数

​

（2）适用范围

不同个体随时间变化产生的数据，是截面数据和时间序列数据的综合，可以进行面板模型分析。

（3）面板模型分析

使用SPSSAU系统进行面板模型分析，操作如下：

​

面板模型可继续分为三种类型，分别是固定效应模型（FE），混合估计模型（POOL）和随机效应模型（RE）。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），以判断出最终应该使用哪个模型。

​

从上表分析，SPSSAU建议最终以RE模型作为最终结果。

​

本研究以RE模型作为最终结果，从上表可知: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(-11679.p=0.0.0<0.01)，并且回归系数值为0.920>0，说明×1(城乡居民年末储蓄存款)对nGDP会产生显著的正向影响关系。针对X2(年末常住人口)而言，其呈现出0.01水平的显著性(=2.674,p=0.0094001)，并且回归系数值为0.222>0，说明X2(年未常住人口)对nGDP会产生显著的正向影响关系。针对×3(城镇化率)而言，其呈现出0.10水平的显著性(-3.51.p=0.001<0.01)，并且回归系数值为-0.887<O，说明X3(城镇化率)对nGDP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(=1.840,p=0.104>0.05)，因而说明X4(教育支出)对InGDP不会产生影响关系。