4.5.2 模型检验与选择
由上述分析可知，固定效应模型是将个体效应αi与时点效应ηt作为有待估计的确定常数，而随机效应模型是将其作为随机变量，如果在对模型的选择上判断错误，那么就会对多元回归分析产生较为严重的影响，因此需要对模型进行F检验和Hausman检验，根据检验结果选择最优模型。
1.F检验
F检验是帮助判断面板数据模型适用于混合模型或者固定效应模型、随机效应模型的一种检验方法。原假设H0认为对于不同的截面个体，模型的截距项是相同的，即H0认为真实模型为混合模型。备择假设H1认为对于不同的截面个体，模型的截距项是不同的，即真实模型属于固定效应模型或者随机效应模型。
借助于Eviews10.0软件对模型进行F检验，具体检验结果如表4-22所示，F统计量的Prob值为0.0000，因此拒绝原假设H0，选择建立固定效应模型或者随机效应模型。
表4-22 F检验结果
2.Hausman检验
Hausman检验是一种可以用来判断面板数据模型适用于固定效应模型或者随机效应模型的检验方法。若真实模型为随机效应模型，则采用普通最小二乘法（OLS）估计固定效应模型的参数估计和采用广义最小二乘法（GLS）估计随机效应模型的参数估计具有一致性；若真实模型为固定效应模型，则采用OLS法估计固定效应模型的参数估计具有一致性，而采用GLS法估计随机效应模型的参数估计不具有一致性。原假设H0认为个体效应与解释变量不相关，即真实模型为随机效应模型。备择假设H1认为个体效应与解释变量相关，即真实模型为固定效应模型。
通过Eviews10.0软件对模型进行Hausman检验，具体检验结果如表4-23所示，Hausman检验的Prob值为0.1128，所以拒绝原假设H0，选择建立固定效应模型。
表4-23 Hausman检验结果
固定效应模型包括个体固定效应模型、时点固定效应模型和个体时点双固定效应模型。一般而言，当面板数据选取的截面个数远大于其时间跨度，应选择个体固定效应模型；反之，则选择时点固定效应模型。在本书中，共选取58家样本企业2009—2018年近十年的数据，其截面个数大于时间跨度，因此本书选择建立个体固定效应模型。
3.回归分析
（1）对多元回归模型的初步拟合
本书以油气企业环境责任综合得分（CER）作为被解释变量，企业规模（X1）、盈利能力（X2）、偿债能力（X3）、成长能力（X4）、成立年限（X5）、监事会规模（X6）、股权集中度（X7）、股权性质（X8）、高管年龄（X9a）、高管性别比（X9b）、高管薪酬（X9c）、法律制度环境（X10）、区域经济发展水平（X11）、社会监督（X12）和市场认可度（X13）作为解释变量纳入模型中。为了使数据波动相对平稳，本书将企业规模（X1）、高管薪酬（X9c）和区域经济水平（X11）进行取对数处理，即产生一组新的指标为ln X1、ln X9C、ln X11。同时，为防止财务比例数据出现异常值，本书通过Stata15.0软件对所有公司层面的财务比例数据连续变量在1%水平下进行winsorize处理，即产生一组新的指标为X2_W、X3_W、X4_W。
为避免部分样本企业的数据量不足而影响回归分析结果，本书在进行回归之前，手工剔除数据量少于7年的样本企业，最终建立57家样本企业2009—2018年非平衡面板数据模型。由上述模型检验可知，本书建立的个体固定效应模型公式参见4-8：
本书借助Eviews10.0软件对多元回归模型进行初步拟合，在拟合过程中，由于成立年限（X5）具有时间趋势并且非常规则，为防止该变量对多元回归产生影响，因此在进行多元回归之前将其舍弃，拟合的具体结果如表4-24所示。由表4-24可知，解释变量企业规模（ln X1）、偿债能力（X3）、股权性质（X8）、法律制度环境（X10）和区域经济发展水平（ln X11）在90%的置信度下对被解释变量具有显著影响，即通过显著性检验。由拟合结果可知，多元回归模型的R2值为0.76，F值为20.979，且P值为0，表明该多元回归模型的拟合程度较高，说明本书所选的解释变量在一定程度上能够解释油气企业环境责任的履行现状。
表4-24 固定效应模型的初步回归
续表：(https://www.daowen.com)
（2）残差截面相关性检验和残差异方差检验
为了确保选取模型的严谨性及准确性，本书通过Eviews10.0软件对模型进行残差截面相关性检验和残差异方差检验，检验结果如表4-25、表4-26、表4-27所示。
①残差截面相关性检验。截面相关性不同于面板数据回归分析中的自相关，并且截面相关性问题会对面板数据模型的估计产生一定的影响。Breitung和Pesaran（2007）研究表明，面板数据中的截面均存在不同程度的相关性，从而产生截面异质性或者回归误差项之间的相关性，最终对标准面板数据估计量的一阶性产生影响。截面相关性检验的原假设H0为残差中截面无关，备择假设H1为残差中截面相关。
通过表4-25可知，三种检验残差截面相关性检验方法的Prob值均为0，表明建立的多元回归模型拒绝原假设H0，即多元回归模型存在截面相关。
表4-25 残差截面相关检验
②残差异方差检验。由于可能存在遗漏解释变量或者随机因素的影响，从而导致误差项的方差不是常量，该现象被称为异方差现象。异方差的存在影响回归参数的估计结果。异方差检验的原假设H0表示残差为同方差，备择假设H1表示残差为异方差。通过表4-26、表4-27可知，在个体异方差检验中，Prob值为0，拒绝原假设H0，即残差存在个体异方差；在时点异方差检验中，Prob值为0.9718，接受原假设H0，即残差不存在时点异方差。
表4-26 残差个体异方差检验
表4-27 残差时点异方差检验
（3）采用调整后的模型进行拟合
鉴于上述检验结果，对模型进行重新调整。在模型回归时，进行GLS加权处理，并且在系数标准差进行截面加权处理，最终调整后的拟合结果如表4-28所示。
表4-28 最终回归结果
续表：
由表4-28可知，多元回归模型的R2值为91.02%，表明该模型拟合程度较高，F值为67.98且Prob值为0，表明该模型在0.1水平下显著，DW值为1.34接近于2，表明该模型不存在自相关问题，即残差项之间相互独立。
从以上回归结果可以得到，偿债能力（X3_W）、股权性质（X8）、高管年龄（X9a）、高管性别比（X9b）、高管薪酬（ln X9c）、法律制度环境（X10）、区域经济发展水平（X11）和社会监督（X12）在90%的置信度下对被解释变量有显著影响，通过显著性检验，即偿债能力（X3_W）、股权性质（X8）、高管年龄（X9a）、高管性别比（X9b）、高管薪酬（ln X9c）、法律制度环境（X10）、区域经济发展水平（ln X11）和社会监督（X12）都与环境责任呈显著正相关关系；企业规模（ln X1）、盈利能力（X2_W）、成长能力（X4_W）、监事会规模（X6）、股权集中度（X7）和市场认可度（X13）未通过显著性检验，其中企业规模（ln X1）、盈利能力（X2_W）和监事会规模（X6）与环境责任呈正相关关系，成长能力（X4）、股权集中度（X7）和市场认可度（X13）与环境责任呈负相关关系。
由此可知，假设3、假设8、假设9a、假设9b、假设9c、假设10、假设11和假设12通过检验；假设4和假设13未通过检验；假设1、假设2、假设6、假设7的解释变量对环境责任的影响不显著，有待进一步的检验。
