Panel verileri ve karışık model arasındaki fark

Panel veri analizi ile karma model analizi arasındaki farkı bilmek istiyorum. Bildiğim kadarıyla, hem panel verileri hem de karışık modeller sabit ve rastgele efektler kullanıyor. Eğer öyleyse, neden farklı isimleri var? Yoksa eşanlamlılar mı?

Sabit, rastgele ve karışık efektin tanımını açıklayan ancak sorumu tam olarak cevaplamayan şu yazıyı okudum: Sabit etki, rastgele etki ve karışık efekt modelleri arasındaki fark nedir?

Birisi beni karışık model analizi hakkında kısa bir referansa (yaklaşık 200 sayfa) başvurabilirse minnettar olurum. Sadece eklemek için, yazılım tedavisinden bağımsız olarak karışık modelleme referansını tercih ederim. Karışık modellemenin temel teorik açıklaması.

Hem panel verileri hem de karma efekt modeli verileri çift endeksli rasgele değişkenler . Birinci indeks grup için, ikincisi grup içindeki bireyler içindir. Panel verileri için ikinci endeks genellikle zamantır ve bireyleri zaman içinde gözlemlediğimiz varsayılmaktadır. Karma etki modeli için zaman ikinci indeks olduğunda, modeller boyuna modeller olarak adlandırılır. Karışık etki modeli en iyi 2 seviyeli regresyon açısından anlaşılır. (Fuar kolaylığı için yalnızca bir açıklayıcı değişken olduğunu varsayalım)$y_{ij}$

Birinci seviye regresyon aşağıdaki gibidir

$$y_{ij}=\alpha_i+x_{ij}\beta_i+\varepsilon_{ij}.$$

Bu her grup için bireysel regresyon olarak açıklanabilir. İkinci seviye regresyon, regresyon katsayılarındaki değişimi açıklamaya çalışır:

β i = δ 0 + z i 2 δ 1 + v

$$\alpha_i=\gamma_0+z_{i1}\gamma_1+u_i$$ $$\beta_i=\delta_0+z_{i2}\delta_1+v_i$$

İkinci denklemi ilk denklemle değiştirdiğinizde

$$y_{ij}=\gamma_0+z_{i1}\gamma_1+x_{ij}\delta_0+x_{ij}z_{i2}\delta_1+u_i+x_{ij}v_i+\varepsilon_{ij}$$

Sabit etkiler sabit olan şeydir, bu anlamına gelir . Rastgele efektler ve .u i v $\gamma_0,\gamma_1,\delta_0,\delta_1$$u_i$$v_i$

Şimdi panel verileri için terminoloji değişir, ancak yine de ortak noktalar bulabilirsiniz. Panel veri rastgele efekt modelleri, karışık efekt modeliyle aynıdır.

β i = δ

$$\alpha_i=\gamma_0+u_i$$ $$\beta_i=\delta_0$$

model geliyor

$$y_{it}=\gamma_0+x_{it}\delta_0+u_i+\varepsilon_{it},$$

burada rastgele etkilerdir.$u_i$

Karma efektler modeli ile panel veri modelleri arasındaki en önemli fark tedavisi . Karışık efektli modeller için rastgele olmayan değişkenlerdir, oysa panel veri modelleri için her zaman rastgele oldukları varsayılır. Panel verileri için sabit efekt modelinin ne olduğunu belirtirken bu önemli hale gelir.$x_{ij}$

Karışık efekt modeli için, rastgele efektlerin ve ve ayrıca ve den bağımsız olduğu varsayılır , bu ve sabitlendiğinde her zaman geçerlidir . Stokastik izin verirsek, bu önemli hale gelir. Dolayısıyla panel verileri için rastgele efektler modeli in ile ilişkili olmadığını . Ancak aynı forma sahip sabit etki modeli$u_i$$v_i$$\varepsilon_{ij}$$x_{ij}$$z_i$$x_{ij}$$z_i$$x_{ij}$$x_{it}$$u_i$

$$y_{it}=\gamma_0+x_{it}\delta_0+u_i+\varepsilon_{it},$$

ve arasındaki korelasyona izin verir . Vurgu sadece tutarlı bir şekilde tahmin etmek içindir . Bu, bireysel araçların çıkarılmasıyla yapılır:$x_{it}$$u_i$$\delta_0$

$$y_{it}-\bar{y}_{i.}=(x_{it}-\bar{x}_{i.})\delta_0+\varepsilon_{it}-\bar{\varepsilon}_{i.},$$

ve ortaya çıkan regresyon probleminde basit OLS kullanımı. Cebirsel olarak bu, sabit parametreler olduğunu en az kare kukla değişken regresyon problemiyle . Dolayısıyla adı sabit efektler modeli.$u_i$

Panel veri ekonometrisinde sabit etkiler ve rastgele etkiler terminolojisinin arkasında atladığım birçok tarih var. Benim görüşüme göre bu modeller en iyi Wooldridge'in " Kesit ve panel verilerinin ekonometrik analizi " bölümünde açıklanmıştır . Bildiğim kadarıyla karışık etkiler modelinde böyle bir tarih yok, ama öte yandan ekonometri geçmişinden geliyorum, bu yüzden yanılmış olabilirim.

Bir yazılım paketine başvurmadan karışık modelleme teorisini tanımlayan bir metin aradığınızı anlıyorum.

Ben öneriyoruz Düzeyli Analizi, temel ve ileri düzeyli modellenmesine bir giriş 250pp, Tom Snijders ve Roel Bosker tarafından. Sonunda yazılımla ilgili bir bölüm var (şimdi biraz modası geçmiş), ancak geri kalanı çok yaklaşılabilir bir teori.

Yine de şunu söylemeliyim ki Sophia Rabe-Hesketh ve Anders Skrondal'ın Stata Kullanan Çok Düzeyli ve Boyuna Modeller için yukarıdaki tavsiyeye katılıyorum. Kitap çok teorik ve yazılım bileşeni gerçekten önemli bir metne güzel bir ektir. Normalde Stata kullanmıyorum ve yazı masamda oturuyor ve son derece iyi yazılmış buluyorum. Ancak 200pp'den daha uzundur.

Aşağıdaki metinlerin tümü bu alandaki mevcut uzmanlar tarafından yazılmıştır ve bu teknikler hakkında daha fazla bilgi edinmek isteyenler için yararlı olacaktır (özellikle isteğinize uymuyor olsalar da): [Bunlara bağlantı kuramıyorum çünkü ben yeni biriyim kullanıcı, özür dilerim]

Hoox, Joop (2010). Çok Düzeyli Analiz, Teknikler ve Uygulamalar.

Gelman, A. ve Hill, J. (2006) Regresyon ve Çok Düzeyli / Hiyerarşik Modeller Kullanılarak Veri Analizi.

Singer, J. (2003) Uygulamalı Boyuna Veri Analizi: Değişimin Modellenmesi ve Olay Oluşumu

Raudenbush, SW ve Bryk, A., S. (2002). Hiyerarşik Doğrusal Modeller: Uygulamalar ve veri analiz yöntemleri

Luke, Douglas, (2004). Çok Düzeyli Modelleme

Ayrıca ikinci Wooldridge'in metninin yanı sıra R metnini de ve B ristol Üniversite Çok Düzeyli Modelleme Merkezi'nin bir sürü öğretici ve bilgi var.

Ben de hem arasındaki fark ve son zamanlarda bu konuda bir referans bulduk merak ettim "panel verileri" bir "enine kesit veya bir grup üzerinden periyodik olarak incelenen bir grup insan temsil eden veri kümeleri için geleneksel bir isim olduğunu anlıyorum % s ". Dolayısıyla, "panel" veri kümesindeki bir grup yapısıdır ve böyle bir grubun bu tür verileri analiz etmenin en doğal yoluna sahip olmak, karma modelleme yaklaşımıdır.

Karma etkiler modelleme konusunda iyi bir referans (ne olursa olsun "R" konuşursanız ya da konuşmasanız da) Douglas Bates ( lme4: R ile karışık etkiler modellemesi ) tarafından hazırlanmakta olan bir kitabın taslağıdır .

@mpiktas kapsamlı bir cevap verdi. Okumayı önermek de olur R PLM paketi için dokümantasyon Bölüm 7 . Yazarların karma modeller ve panel verileri arasındaki fark hakkındaki tartışması okunmaya değer.

Eğer Stata, Çok Düzeyli ve Boyuna Modeller kullanıyorsanız Sophia Rabe-Hesketh ve Anders Skrondal tarafından Stata Kullanımı iyi bir seçim olacaktır. Tam olarak neyle ilgilendiğinize bağlı olarak, 200 sayfa doğru olabilir.

Deneyimlerime göre, 'panel ekonometrisi' kullanmanın mantığı, panel 'sabit etkiler' tahmin edicilerinin çeşitli ihmal edilmiş değişken önyargı biçimlerini kontrol etmek için kullanılabilmesidir.

Bununla birlikte, bu tür bir tahminin, Mundlak tipi bir yaklaşım kullanılarak, yani grup araçlarının fazladan regresörler olarak dahil edilmesi, çok seviyeli bir model içinde gerçekleştirilmesi mümkündür . Bu yaklaşım, hata terimi ile potansiyel grup düzeyi atlanan faktörler arasındaki ilişkiyi ortadan kaldırarak 'içerideki' katsayıyı ortaya çıkarır. Bununla birlikte, benim için bilinmeyen bir nedenden dolayı, bu genellikle uygulamalı araştırmalarda yapılmaz. Bu slaytlar ve bu belge bir ayrıntı sunmaktadır.