Regresyona gecikmeli bağımlı değişkenin dahil edilmesi

Regresyon modeline gecikmeli bir bağımlı değişken eklemenin yasal olup olmadığı konusunda kafam çok karıştı. Temel olarak, eğer bu model Y'deki değişim ile diğer bağımsız değişkenler arasındaki ilişkiye odaklanırsa sağ tarafa gecikmeli bir bağımlı değişken eklemek, diğer IV'lerden önceki katsayıların Y'nin önceki değerlerinden bağımsız olduğunu garanti edebilir.

Bazıları LDV'nin dahil edilmesinin diğer IV'lerin katsayısını aşağıya doğru indireceğini söylüyor. Bazıları seri korelasyonu azaltabilecek LDV içerebileceğini söylüyor.

Bu sorunun ne tür bir gerileme açısından oldukça genel olduğunu biliyorum. Ancak istatistiksel bilgim sınırlı ve odak zaman içinde Y'nin değişimi olduğunda, regresyon modeline gecikmeli bir bağımlı değişken eklemem gerekip gerekmediğini anlamakta gerçekten zorlanıyorum.

X'lerin zaman içinde Y'nin değişmesi üzerindeki etkisiyle ilgili başka yaklaşımlar var mı? DV olarak da farklı değişim puanları denedim, ancak bu durumda R kare çok düşük.

Modelinize gecikmeli bir bağımlı değişken ekleme kararı gerçekten teorik bir sorudur. DV'nin mevcut seviyesinin yoğun olarak geçmiş seviyesine göre belirlenmesini bekliyorsanız, gecikmeli bir DV eklemek mantıklıdır. Bu durumda, gecikmeli DV'nin dahil edilmemesi, değişken değişken önyargılı olmamakla sonuçlanacaktır ve sonuçlarınız güvenilir olmayabilir. Gecikmeli DV dahil böyle bir senaryoda, (hem marka anlamına gelen senin varyansın çok çıkar ve diğer DV en etkileri daha az önemli hale muhtemeldir olacak lar daha küçük ve standart hatalar büyük). Bununla birlikte, yapmanıza izin verecek olan şey, sonucunuzu hala etkileyen IV'lerin DV'nin geçmiş değerini kontrol eden bir etkiye sahip olduğunu söylemek. Buna alternatif bir yaklaşım, dönemindeki sonuç değişkeni arasındaki farkı kullanmaktır.t t - 1 $\beta$$t$ve , dönemi için .$t-1$$t$

Bununla birlikte, bunlardan herhangi birini yapmak önemli bir soruyu cevaplamak anlamına gelir: DV'niz için doğru gecikme yapısı nedir? Farklı gecikme değerleri için sonuç değişkeninizle olan korelasyonu gözlemleyerek bu konuda biraz bilgi edinebilirsiniz (örneğin, Y ve Y , Y ve Y , vb. Arasındaki korelasyon ).t - $t-1$$t-2$

İki makale öneriyorum:

1. Achen CH (2001) Neden gecikmeli bağımlı değişkenler diğer bağımsız değişkenlerin açıklayıcı gücünü baskılayabilir ( link )
2. Keele, L. ve Kelly NJ (2005) Dinamik teoriler için dinamik modeller: gecikmeli bağımlı değişkenlerin içindekiler ve çıkışları ( link ).

Sonuçta, gecikmeli bir bağımlı değişkenin dahil edilmesinin, kalan değişkenlerin katsayıları üzerinde büyük bir etkisi olabileceğidir. Bazen bu uygundur (Keele ve Kelly'nin Dinamik modelleri için) ve bazen değil. Diğerlerinin dediği gibi, modellenmekte olan süreç hakkında düşünmek önemlidir.

Gecikmeli bağımlı değişkenlerin dahil edilmesi, modelin yanlış tanımlanmasından kaynaklanan otokorelasyon oluşumunu azaltabilir. Dolayısıyla, gecikmeli bağımlı değişkenleri hesaplamak, modeldeki otokorelasyonun varlığını savunmanıza yardımcı olur. Geçmiş değer, modeldeki mevcut durumu etkiler, teorik temel gerektirir ve modele gereken şekilde en iyi uyumu sağlar.

Beni bu soruya merak ettiren şey, modelin özellikleri veya tahmin tekniği hakkında daha fazla bilgi sahibi olmamak. IV'ler arasında gecikmeli bir DV kullanılması teorik olarak önemli ve metodolojik olarak gerekli olmasına rağmen, değişkenler ve zaman birimleri arasındaki önemli ilişkiye bağlı olarak, aynı zamanda AR'de de modelde bulunabilecek bir düzen. Siz (ve biz) değişkenler ve tahminler hakkında daha fazla ayrıntıya sahip olmadığınız sürece, bazı enstrümantal değişken tekniklerini veya Arellano-Bond tahmini gibi bir şey düşünmüyorsanız, DV'yi geciktirmeyi tavsiye etmek istemem.

Lütfen bize daha fazla ayrıntı verin, böylece ne tür bir modelden bahsettiğimizi daha iyi öğrenebiliriz.

Evet, küçük bir T büyük N durumunda Nickell'in önyargısına karşı dikkatli olmalısınız (Nickell, S. (1981). Sabit etkileri olan dinamik modellerde önyargılar.

Arellano-Bond veya Blundell-Bond tahmin edicileri gibi Dinamik Panel Veri modellerine bakmak isteyebilirsiniz.