Ekonomik teoriye dayalı regresyon analizinde temel temeller:

1

Teoriden türetilen parametrelere dayanarak talep üzerine herhangi bir gerilemeyi yürütürken, sonuçlar tutarsız olduğunda bazı işlemlerin sırasını karıştırıyorum.

Çoklu-toplulukluluk anında ve parametreleri düşürmek durumunda olduğu için - teori için eşit öneme sahip parametrelerin (fiyat gibi) mükemmel bir topluluksallığa sahip olduğu durum nedir? Endekslenemezler veya herhangi bir orana dönüştürülemezler, bu nedenle düşürülmeleri gerekir.

Benim varsayılan benim açıklayıcı güç parametreleri arasındaki farkları ayırmaktır - R kare. Peki ya önem testi F? Eğer biri diğerinden daha yüksekse R önemsiz F testi ile geçersiz sayılabilir. 'Normal' protokol hala, F-testinin önemsiz olmasına rağmen, aynı yüksek R-kare ile sonuçlanan parametreyi içermeli midir? - Parametreler F-testinin yapıldığı modele sahip olsa bile mümkün değil mi?

econometrics

— Aisync
kaynak

Görevinizdeki "teşekkürleri" düzenledim. Kongreye göre, bunu buraya yazmıyoruz - herkes yardım için minnettar olduğunu biliyor. Daha da önemlisi, yazınızın ilk iki satırı bazı yerlerde bir özet olarak gösteriliyor ve bu çok önemli bir içerik yerine bir teşekkür mesajıysa çok kullanışlı değil.

— Ubiquitous

1

Parametreleri düşürmezsiniz - açıklayıcı değişkenleri düşürürsünüz. Mükemmel bir eşzamanlılık her şeyden önce bir örnek problemdir, bu, iki regresör arasındaki teorik ilişkiyle değil, sahip olduğunuz gerçek veri serileriyle ilgilidir, ancak, eğer yeterince büyük bir örneğiniz varsa, eşzamanlılık özelliğinin geçerli olabileceğini düşünmek geçerlidir. Ayrıca nüfus düzeyinde.

Modeli kabul et

y = b_{0} + b_{1} x_{1} + b_{2} x_{1} + u

$y = b_0 + b_1x_1 + b_2x_1 +u$

$x_1$ $x_2$

x_{2} = δ_{0} + δ x_{1}

$x_2 =\delta_0 + \delta x_1$

Ancak bu, regresyon spesifikasyonunun

y = b_{0} + b_{1} x_{1} + b_{2} (δ_{0} + δ x_{1}) + u

$y = b_0 + b_1x_1 + b_2(\delta_0 + \delta x_1) +u$

⟹ y = γ_{0} + γ_{1} x_{1} + u

$\implies y = \gamma_0 + \gamma_1x_1 +u$

γ_{0} = b_{0} + b_{2} δ_{0}, γ_{1} = b_{1} + b_{2} δ_{1}

$\gamma_0 = b_0 + b_2\delta_0,\;\;\; \gamma_1=b_1 +b_2\delta_1$

Bu, teoriyi olumsuzlaştırmaz veya çelişmez. İki değişkenin aralarında böyle bir ilişki olduğunu, bağımlı değişken üzerindeki etkilerinin en küçük kareler gibi doğrusal yöntemler kullanılarak ayrı ayrı tahmin edilemediğini öğrendiniz. Bunlardan birinin etkisinin olmadığını bilmiyordunuz.

— Alecos Papadopoulos
kaynak

1

$r^2$ $r^2$ $r^2$

Frequentist yöntemleri kullanılırken, model seçimi Akaike Bilgi Kriteri veya Bayes Kriterine benzer bir şeyle yapılmalıdır. Her ikisi de model uzayı üzerinde stilize edilmiş bir Bayesian arka yoğunluğunun özet nokta tahminleridir. Sadece birini kullanın, ikisini de kullanmayın. Ayrıca birkaç benzer yöntem daha vardır. Bilgi kriteri, esasen biraz daha önceki kütle işlevlerine sahip olan Bayesian çözümleridir.

Ortak değişkenler hariç her değişken kombinasyonundan geçmek için bir yazılım yazmalı ve AIC'yi veya BIC'yi çalıştırmalısınız. AIC ve BIC, bir modelin veri üreten fonksiyona ne kadar yakın olduğunu ölçer. Bu bir anlam ifade etmiyor, anlam ifade etmiyor.

— Dave Harris
kaynak