Ekonometride "rastgele etki modelinin" ekonometri dışında "rastgele engelli karma bir model" e karşılık geldiğini düşünmüştüm, ama şimdi emin değilim. Yapar?
Ekonometri, "sabit efektler" ve "rastgele efektler" gibi terimleri karma modellerle ilgili literatürden biraz farklı kullanır ve bu kötü bir kafa karışıklığına neden olur. Bize basit bir durum düşünelim doğrusal bağlıdır ama ölçümlerin farklı gruplarda farklı bir yolunu kesmek ile:
Burada her birim / grup farklı zaman noktalarında gözlenir . Ekonometristler buna "panel verileri" diyorlar.
Karışık model terminolojisinde sabit bir etki veya rastgele bir etki olarak ele alabiliriz (bu durumda, rastgele engelleme). Sabit olarak tedavi etmek, kare hatasını en aza indirmek için ve anlamına gelir (örn. OLS regresyonunu kukla grup değişkenleriyle çalıştırmak). Rastgele olarak ele almak, ek olarak olduğunu ve her yerine ve uyması için maksimum olasılık kullandığımız . Bu, "kısmi havuzlama" etkisine neden olur; burada tahminler , ortalama doğru .pu ı u ı ~ N- ( u 0 , σ 2 u ) u 0 σ 2 u u ı u ı u 0
R formula when treating group as fixed: y ~ x + group R formula when treating group as random: y ~ x + (1|group)
- Ekonometri terminolojisinde, bu modelin tamamını sabit etkiler modeli veya rastgele etkiler modeli olarak ele alabiliriz. İlk seçenek yukarıdaki sabit etkiye eşittir (ancak ekonometriğin, bu durumda olarak adlandırılan kendi tahmin etme yolu vardır ). İkinci seçeneğin yukarıdaki rastgele efekte eşdeğer olduğunu düşünürdüm; Örneğin, @JiebiaoWang'a yaptığı son cevaplandırılmış cevapta rastgele etkiler-, sabit etkiler- ve marjinal model arasındaki fark nedir? diyor ki
"within" estimator
Ekonometride, rastgele etkiler modeli sadece biyoistatistikte olduğu gibi rastgele engelleme modelini ifade edebilir.
Tamam --- bu anlayışın doğru olup olmadığını test edelim. İşte @ChristophHanck tarafından oluşturulan sabit rastgele etki, rastgele etki ve karma etki modelleri arasındaki fark nedir? ( Verileri burada kullanmayanlar için pastebin üzerine koydum ):
@Christoph, ekonometrik yaklaşımları kullanarak iki kişiyi uyar:
fe <- plm(stackY~stackX, data = paneldata, model = "within")
re <- plm(stackY~stackX, data = paneldata, model = "random")
Birincisi, birincisine eşit beta değerini verir -1.0451
, ikincisine 0.77031
(evet, pozitif!). Onu lm
ve ile çoğaltmaya çalıştım lmer
:
l1 = lm(stackY ~ stackX + as.factor(unit), data = paneldata)
l2 = lmer(stackY ~ stackX + (1|as.factor(unit)), data = paneldata)
Birincisi -1.045
, yukarıdaki tahmin ediciler ile mükemmel bir uyum içerisindedir. Güzel. Ancak ikinci verim -1.026
, rastgele etki tahmincisinden mil uzakta. Heh? Ne oluyor? Aslında, ne plm
bile yapıyor , ne zaman birlikte denilen model = "random"
?
Her ne yapıyorsa, karma modeller perspektifinden bir şekilde anlaşılabilir mi?
Ve ne yapıyorsa arkasındaki sezgi nedir? Birkaç ekonometri yerinde, rastgele etkiler tahmincisinin, sabit etkiler tahmincisi arasında ağırlıklı bir ortalama "between" estimator
olduğunu ve modelde hiç grup kimliği içermemesi durumunda aşağı yukarı regresyon eğimi olduğunu okudum (bu tahmin, bu konuda kesinlikle olumlu case, around 4
.) Eg @Andy burada yazıyor :
Rasgele efekt tahmincisi daha sonra verilerinizin varyasyonu içindeki ve içindeki matris ağırlıklı bir ortalama kullanır. [...] Bu rastgele efektleri daha verimli hale getirir. [.]
Neden? Neden bu ağırlıklı ortalamayı istiyoruz? Özellikle de neden karışık bir model yürütmek yerine bunu isteyelim?