Dữ liệu bảng: Kết hợp OLS so với hiệu ứng RE so với FE

Chúng tôi đã có một số cuộc thảo luận về sự hữu ích của Công cụ ước tính gộp và OLS so với FE.

Theo như tôi có thể nói, ước tính OLS gộp lại chỉ đơn giản là một kỹ thuật OLS chạy trên dữ liệu Bảng điều khiển. Do đó, tất cả các hiệu ứng cụ thể không thể bỏ qua được hoàn toàn bỏ qua. Do đó, rất nhiều giả định cơ bản như tính trực giao của thuật ngữ lỗi đã bị vi phạm.

RE giải quyết vấn đề này bằng cách triển khai một chương trình chặn cụ thể riêng lẻ trong mô hình của bạn, được coi là ngẫu nhiên. Điều này ngụ ý đầy đủ ngoại sinh của mô hình của bạn. Điều này có thể được kiểm tra với bài kiểm tra Hausmann.

Vì hầu hết mọi mô hình đều có một số vấn đề nội sinh, Dự toán FE là lựa chọn tốt nhất và cung cấp cho bạn các ước tính phù hợp tốt nhất nhưng các tham số cụ thể riêng lẻ sẽ biến mất.

Câu hỏi tôi đang tự hỏi mình là khi nào thực sự có ý nghĩa khi sử dụng OLS gộp hoặc Hiệu ứng ngẫu nhiên? OLS gộp lại vi phạm rất nhiều giả định và do đó hoàn toàn vô nghĩa. Ngoài ra, tính ngoại sinh mạnh mẽ của Công cụ ước tính RE về cơ bản không bao giờ được đưa ra, vậy khi nào nó thực sự có thể hữu ích?

Bên cạnh đó, trong tất cả các mô hình, tự động tương quan không thể được xem xét?

— Kosta S.
nguồn

Hãy thử nhìn vào cách tiếp cận của Mundlak-Chamberlain về vấn đề này. Google tương quan hiệu ứng ngẫu nhiên hoặc cách tiếp cận Mundlak. Chúng cho phép bạn thư giãn giả định về các hiệu ứng ngẫu nhiên không tương quan. Tôi sẽ mở rộng trong nhận xét này như một câu trả lời thích hợp khi tôi có thời gian (tối thứ sáu ở đây, bạn biết đấy).

— Kenji

Để theo dõi nhận xét của Kenji: Các mô hình hiệu ứng ngẫu nhiên linh hoạt hơn và vấn đề nội sinh có thể được giải quyết bằng cách bao gồm cả giá trị trung bình biến đổi theo thời gian như một công cụ dự đoán trong mô hình. Xem: Bell, A., & Jones, K. (2015). Giải thích các hiệu ứng cố định: Mô hình hiệu ứng ngẫu nhiên của dữ liệu bảng và mặt cắt ngang chuỗi thời gian. Phương pháp và nghiên cứu khoa học chính trị, 3 (1), 133-153.

— Wolfgang

Đầu tiên , bạn đã đúng, ước tính OLS gộp chỉ đơn giản là một kỹ thuật OLS chạy trên dữ liệu Bảng điều khiển .

$H_0$ $\iff$ $H_0$

Thứ ba , trong một đặc tả FE, các tham số cụ thể riêng lẻ không biến mất và có thể được thêm lại (với các hệ số giống hệt nhau nhưng các lỗi tiêu chuẩn cần được điều chỉnh). Đây thực sự là tất cả những gì mô hình LSDV hướng tới (với mức trung bình cộng thêm và trong mức trung bình).

Thứ tư , để đối phó với tự tương quan (lỗi), các phép biến đổi giống như GLS có thể giúp bạn về mặt lý thuyết, nhưng trong thực tế, nó chỉ xử lý sự không đồng nhất ( WLS , FGLS ). Tuy nhiên, lưu ý rằng tùy thuộc vào không gian (thời gian, địa lý, xã hội học, v.v.) mà bạn cho rằng tự động tương tác hoạt động, bạn có thể ủy quyền cấu trúc của nó và cuối cùng thực hiện chuyển đổi giống như GLS, ví dụ như bảng điều khiển không gian.

— cố sống đi
nguồn