Không cố định trong logit / probit có vấn đề?


8

Tôi muốn hỏi - Tôi đang sử dụng logit để điều tra, nếu một số biến cải thiện nguy cơ khủng hoảng tiền tệ. Tôi có dữ liệu hàng năm từ năm 1980 cho nhiều quốc gia (bảng điều khiển không cân bằng), biến giả là 1 nếu khủng hoảng tiền tệ bắt đầu (theo định nghĩa của tôi), 0 nếu không. Các biến giải thích là theo một số lý thuyết, như tài khoản hiện tại / GDP, tài sản nước ngoài ròng / GDP, các khoản vay / GDP, v.v ... Tất cả đều bị trễ (-1). Tôi đang sử dụng các lỗi tiêu chuẩn mạnh mẽ, phù hợp với tính không đồng nhất. Tuy nhiên, ví dụ các khoản vay cho GDP hoặc NFA / GDP không ổn định (kiểm tra bảng). Có vấn đề này? Tôi chưa thấy bất kỳ bài kiểm tra giấy nào cho văn phòng phẩm thực hiện logit / probit. Đối với tôi nó cũng trực quan rằng nó không quan trọng. Nếu tôi đang kiểm tra nếu một biến làm tăng nguy cơ khủng hoảng thì đó không phải là vấn đề, rằng biến này đang tăng vĩnh viễn. Ngược lại - biến tăng đang gia tăng vĩnh viễn nguy cơ khủng hoảng và khi nó đạt đến một mức độ không bền vững, khủng hoảng xảy ra. Xin vui lòng cho tôi một câu trả lời, cho dù tôi đúng?


2
Có bất kỳ lý do bạn không thể sử dụng hiệu ứng cố định thời gian? Làm như vậy thường kiểm soát các thay đổi về mức độ của các biến không cố định. Logit sử dụng khả năng tối đa giả định iid lỗi tiềm ẩn. Nếu các lỗi được tương quan theo thời gian, nó có thể dẫn đến sự phù hợp sai lệch bất kể cách tính các lỗi tiêu chuẩn. Một lần nữa sử dụng hiệu ứng cố định thời gian sẽ chiếm phần lớn trong số này.
Zachary Blumenfeld

2
Chúng không cho phép hiệu ứng cố định trong logit vì chúng đang cố gắng tránh sai lệch tham số ngẫu nhiên mà trên suy nghĩ thứ hai có ý nghĩa tốt. Một điều bạn có thể làm là chạy một mô hình xác suất tuyến tính, có và không có hiệu ứng thời gian ngẫu nhiên / cố định. Bạn có thể thực hiện chẩn đoán dư cho các mô hình này và xem liệu lợi nhuận của bạn có thay đổi hay không. Nếu phần dư trong nhóm của bạn không tương thích và các điều khiển thời gian không làm thay đổi đáng kể tỷ lệ lợi nhuận so với bạn có thể ổn với logit (tỷ lệ lợi nhuận trung bình nên cho logit sẽ tương tự như mô hình tuyến tính)
Zachary Blumenfeld

2
Ngoài ra, có một số điều thú vị mà bạn có thể lấy mẫu lại để giảm sai lệch ngẫu nhiên trong các mô hình bảng phi tuyến tính mà tôi nghĩ áp dụng tốt cho vấn đề của bạn. <a href=" onlinel Library.wiley.com/doi/10.1111/j.1468-0262.2004.00533.x/ Khăn> là một bài báo của Hahn và Newey làm như vậy với một người nghiện. cái này trong Eveiws hoặc STATA (Xin lỗi), nhưng tôi chắc chắn rằng nó có thể thực hiện được trong STATA.
Zachary Blumenfeld

1
Tôi không chắc chắn 100%. Ý tưởng với mô hình tuyến tính là bạn có thể dễ dàng thực hiện chẩn đoán dư cho trường hợp không ổn định (hoặc tương quan tự động) trong phần dư. Các hiệu ứng cận biên trung bình cho logit phải cực kỳ gần với lề mô hình tuyến tính. Sử dụng thực tế này, nếu bạn biết mô hình tuyến tính là không thiên vị (thông qua việc kiểm tra phần dư), bạn có thể nói rằng logit đang ước tính các hiệu ứng cận biên trung bình không thiên vị (vì bạn quan sát tỷ suất lợi nhuận trung bình khá nhiều cho cả hai mô hình). Vì vậy, có vẻ hợp lý để tin rằng logit là không thiên vị.
Zachary Blumenfeld

1
Khi nói đến sự khác biệt đầu tiên, đây là loại "biến nghĩa" của các biến chuỗi thời gian rất giống với ý tưởng thêm hiệu ứng cố định ... kiểm soát các thay đổi về cấp độ cho từng khoảng thời gian riêng lẻ. Tuy nhiên, cách xử lý chính thức của loại này có thể phức tạp và vẫn có cơ hội tự tương quan trong phần còn lại <a href=" people.stern.nyu.edu/jsimonof/groupes/2602/pdf/ trộm> có một số gợi ý hợp lý khi sử dụng pearson phần còn lại để kiểm tra tự động.
Zachary Blumenfeld

Câu trả lời:


5

Dù bạn đang sử dụng mô hình nào, các nguyên tắc cơ bản của lý thuyết kinh tế lượng cần được kiểm tra và tôn trọng. Các nhà nghiên cứu đã cố gắng về việc sử dụng các mô hình rất tinh vi, nhưng thường là nhiều hơn hoặc ít tự nguyện hơn - họ quên mất các nguyên tắc cơ bản của kinh tế lượng; do đó chúng trở nên khá lố bịch. Kinh tế lượng không hơn gì việc ước tính giá trị trung bình và phương sai của các tham số của bạn, nhưng nếu giá trị trung bình, phương sai và hiệp phương sai của các biến của bạn thay đổi theo thời gian, các thiết bị và phân tích phù hợp phải được thực hiện. Theo tôi, các mô hình probit / logit với dữ liệu không cố định không có ý nghĩa gì vì bạn muốn đặt bên phải của phương trình của bạn (không phải là văn phòng phẩm) vào phía bên trái là biến nhị phân. Cấu trúc của động lực thời gian của các biến độc lập của bạn phải được kết hợp với các biến phụ thuộc. Nếu một số biến hồi quy của bạn không cố định, thì bạn đang chỉ định sai mối quan hệ của bạn; thực sự phải là sự kết hợp của các biến hồi quy của bạn phải đứng yên. Vì vậy, tôi tin rằng có lẽ bạn phải thực hiện hồi quy hai bước. Trong lần đầu tiên bạn tìm thấy một mối quan hệ ổn định của các biến của mình, sau đó bạn đặt mối quan hệ này vào mô hình probit / logit của bạn và chỉ ước tính một tham số.

Rõ ràng trong bước đầu tiên, bạn phải có danh sách hai biến tích hợp (trong trường hợp hợp nhất) hoặc ít nhất hai biến có cùng loại xu hướng xu hướng. Nếu đây không phải là trường hợp bạn có vấn đề về các biến bị bỏ qua.

Điều thay đổi cho tất cả những điều này là bạn thay đổi phạm vi phân tích của mình và biến tất cả các biến hồi quy của bạn thành một biến cố định.


2

Tôi đề nghị xem xét các kết quả trong Công viên Chang Jiang (2006)Park, Phillips (2000) . * Theo bài báo đầu tiên, các công cụ ước tính logit là nhất quán ngay cả trong trường hợp của loạt tích hợp (định lý 2 ở trang 6-7) và thông thường thống kê t có thể được sử dụng cho các tham số quan tâm trong trường hợp của bạn (các hệ số trên các biến hồi quy). Các bài báo khác của cùng tác giả phát triển lý thuyết kinh tế lượng cho các trường hợp khác của các quá trình không cố định trong các mô hình phi tuyến tính.

* Những bài báo này chỉ coi lý thuyết, thật không may, tôi không thể tìm thấy một ví dụ về một bài viết thực nghiệm đề cập đến vấn đề không cố định trong bối cảnh này.


1

Tôi biết bài đăng này đã cũ nhưng mọi người thực hiện tìm kiếm và thường sử dụng công cụ này làm tài liệu tham khảo.

Hãy giữ nó đơn giản. Chúng ta hãy có một mô hình xác suất cá nhân của việc thế chấp mặc định là Y. Bây giờ chúng ta hãy chạy GDP theo cấp. Hãy nói rằng dữ liệu của bạn là 2002-2017, hàng quý. Bạn có hàng triệu quan sát rằng tại thời điểm T tất cả đều có chung các biến econ. Tôi chọn khung thời gian này vì một lý do tốt.

Bạn sẽ nhận được gì khi là một mối quan hệ? Ôi trời, bạn sẽ thấy rằng shazaam, GDP thấp hơn có tương quan với mặc định cao hơn. Có vẻ tốt phải không?

Nhưng bây giờ hãy dự báo điều này, giả sử 50 năm (vì niềm vui của nó). Lấy GDP dự kiến ​​ở tốc độ tăng trưởng lịch sử, nói 2% và ngoại suy GDP. Bây giờ chạy dự báo. Bạn tìm thấy gì? Shazaam, giống như phép thuật, xác suất vỡ nợ sẽ có xu hướng về 0%.

Bạn sẽ nhận được điều ngược lại nếu bạn chọn tổng số người thất nghiệp (không phải tỷ lệ). Bạn sẽ tìm thấy shazaam đó, dự báo nó trong tương lai và xác suất của xu hướng mặc định là 100%.

Cả hai đều vô lý. Và đây là kicker. Nếu bạn đã thực hiện một bài kiểm tra cố định trên một số khung thời gian này, bạn sẽ thấy rằng chúng đứng yên. Lý do là bạn có thể cắt một loạt không cố định thành các phần tĩnh. Đặc biệt vì GDP thực tăng, giảm và tăng trong khoảng thời gian.

Vâng, trong mẫu phù hợp của bạn sẽ nhìn tốt. Nhưng dự báo của bạn sẽ là vô nghĩa.

Tôi thấy điều này thường xuyên trong mô hình số liệu rủi ro.


-1

Bạn rõ ràng là tốt từ góc độ lý thuyết. Đó là một sự hiểu lầm về loạt phi văn phòng mà họ có phương tiện thay đổi. Họ không có ý nghĩa. Trung bình mẫu là một số ngẫu nhiên vì nó hội tụ đến không có điểm và do đó dường như thay đổi. Điều này cũng không có vấn đề cho logit hoặc probit.

π

Bằng cách ánh xạ một chuỗi không cố định vào một tập hợp giới hạn tốt, bạn đã tạo ra một vấn đề giới hạn tốt vì giải pháp cuối cùng phải ánh xạ tới khoảng [0,1].

Tất cả các tỷ lệ kế toán phải thiếu một phương sai và tất cả lợi nhuận tài chính phải thiếu một phương sai. Xem bài viết tại https: // vá.ssrn.com / sol3 / con.cfm? Abauge_id = 2828744

Về bản chất, bạn không cần phải lo lắng về các lỗi mạnh mẽ. Đó là một sự hiểu lầm của loạt không cố định rằng họ không đồng nhất. Họ không phải; họ được hỏi vì họ không có ý định tạo thành một phương sai ở vị trí đầu tiên, vì vậy nó lại là một số ngẫu nhiên. Cấu trúc thuật ngữ lỗi có liên quan nhiều đến mô hình ánh xạ hơn là thiếu sự ổn định.

Nơi bạn có thể phải đối mặt với một vấn đề là với khái niệm hiệp phương sai. Phân phối lợi nhuận vốn chủ sở hữu là từ một phân phối thiếu ma trận hiệp phương sai. Không phải là cổ phiếu không thể quay đầu, nhưng chúng không thể đồng biến. Điều tương tự cũng đúng với các nền kinh tế. Đó là một khái niệm phức tạp hơn hiệp phương sai là một mối quan hệ đơn giản. Bạn sẽ muốn đọc bài báo trên và suy nghĩ kỹ về các mối quan hệ mô hình của bạn.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.