Giriş
Konuya ilgim şu anda yaklaşık 7 yıldır ve doktora tezi ile sonuçlandı Zaman dizisi: AR (1) şeması için belirli bir kesit ayrıştırma problemine dikkat çekilen toplama, ayrışma ve uzun bellek .
Veri
Toplamaya farklı yaklaşımlarla çalışmak, açıklığa kavuşturmanız gereken ilk soru ne tür verilerle uğraştığınızdır (tahminim mekansal, en heyecan verici olanıdır). Uygulamada zamansal toplama (bakınız Silvestrini, A. ve Veridas, D. (2008) ), kesitsel ( Granger, CWJ (1990) tarafından yazılan makaleye bayıldım ) veya hem zaman hem de alan (mekansal toplama güzel incelenmiştir) içinde Giacomini R. ve Granger, CWJ (2004) ).
Cevaplar (uzun)
Şimdi, sorularınızı cevaplayarak, önce kaba bir sezgi yerleştirdim. Uygulamada karşılaştığım problemler genellikle yanlış verilere dayandığı için (Andy'nin varsayımı
zamandaki herhangi bir hassasiyet düzeyinde bir zaman serisi gözlemini ölçebilirsiniz
makro-ekonometri için çok güçlü görünüyor, ancak finansal ve mikro-ekonometri veya herhangi bir deneysel alan için iyi görünüyor, hassasiyeti oldukça iyi kontrol ettiniz mi? yıllık veriler. En sık makroekonomide daha sık zaman serilerinin yanı sıra, mevsimsel desenlere sahiptir , bu da sahtesonuçlar (mevsimsel parçalar seri ile ilişkili değildir), bu nedenle verilerinizi mevsimsel olarak ayarlamanız gerekir - daha yüksek frekanslı veriler için daha küçük bir hassasiyet kaynağı. Kesitsel verilerle çalışmak, yüksek düzeyde ayrışmanın muhtemelen başa çıkacak pek çok sıfır ile daha fazla sorun getirdiğini ortaya koymuştur. Örneğin, veri panelindeki belirli bir hane 5-10 yılda bir araba satın alabilir, ancak yeni (kullanılmış) arabalara yönelik toplam talep çok daha yumuşaktır (küçük bir kasaba veya bölge için bile).
En zayıf nokta toplama her zaman bilgi kaybıyla sonuçlanır, GSYİH'nin tüm on yıl boyunca AB ülkelerinin kesiti tarafından üretilmesini sağlayabilirsiniz (2001-2010 dönemi), ancak ayrıntılı panel veri seti dikkate alınarak analizinizde mevcut olabilecek tüm dinamik özellikleri kaybedeceksiniz. Büyük ölçekli kesitsel toplama daha da ilginç olabilir: kabaca basit şeyler alırsınız (kısa bellek AR (1)) onları oldukça büyük popülasyonda ortalar ve mikrodan hiçbirine benzemeyen "temsili" uzun bellek ajanı alırsınız birimleri (temsilcinin konseptine bir taş daha). Böylece toplama ~ bilgi kaybı ~ nesnelerin farklı özellikleri ve bu kayıp ve / veya yeni özellikler seviyesi üzerinde kontrol almak istiyorum. Bence, mümkün olduğunca yüksek frekansta hassas mikro seviye verisine sahip olmak daha iyidir, ancak ...
Teknik olarak herhangi bir regresyon analizi üretmek, (en azından) istatistiksel olarak sonuçlarınızın önemsiz olmadığından emin olmak için daha fazla alana (serbestlik derecesine) ihtiyacınız vardır, ancak yine de teorik ve önemsiz olabilirler :) Bu yüzden eşit koyuyorum soru 1 ve 2'ye ilişkin ağırlıklar (genellikle makro analiz için üç aylık verileri seçin). 3. alt soruyu cevaplayarak, pratik uygulamalarda sizin için neyin daha önemli olduğuna karar verdiğiniz her şey: daha kesin veriler veya serbestlik dereceleri. Söz konusu varsayımı dikkate alırsanız, daha ayrıntılı (veya daha yüksek frekans) veriler tercih edilir.
Muhtemelen cevap, eğer varsa bir tür tartışmadan sonra düzenlenecektir.