Boyuna değişiklikleri belirlemek / tahmin etmek için kesit verilerini kullanmak Neden Kötü Bir Şey?

11

Var olduğunu umduğum bir kağıt arıyorum, ama olup olmadığını bilmiyorum. Boylamsal değişiklikleri ortaya çıkarmak / tahmin etmek için kesitsel verilerin kullanılmasının neden Kötü Bir Şey olabileceği (yani zorunlu olarak değil, ancak olabilir) hakkında bir dizi vaka çalışması ve / veya olasılık teorisinden bir argüman olabilir.

Birkaç büyük yolla yapılan hatayı gördüm: İngiltere'deki daha zengin insanlar daha fazla seyahat ettikleri için, toplum daha zengin hale geldikçe, bir bütün olarak nüfus daha fazla seyahat edecek çıkarımlar yapıldı. Bu çıkarım, on yıldan uzun bir süre boyunca yanlış olduğu ortaya çıktı. Ve evsel elektrik kullanımıyla benzer bir model: kesitsel veriler, zamanla ortaya çıkmayan gelirle birlikte büyük artışlar anlamına gelir.

Kohort efektleri ve arz tarafı kısıtlamaları dahil olmak üzere birkaç şey var.

Böyle vaka çalışmalarını derleyen tek bir referansa sahip olmak çok yararlı olacaktır; ve / veya boylamsal değişiklikleri ortaya çıkarmak / tahmin etmek için kesitsel verilerin kullanılmasının neden çok çok yanıltıcı olabileceğini göstermek için olasılık teorisini kullandı.

Böyle bir kağıt var mı, eğer öyleyse nedir?

— 410 gitti
kaynak

2

Ekonomistlerin bu fenomenleri bir tür genel denge etkisi olarak düşüneceklerine inanıyorum. İstatistikler buna Kararlı Birim Tedavi Değer Varsayımının ihlali diyor. Bence panel vs kesit sorunu biraz kırmızı bir ringa balığı.

— Dimitriy V. Masterov

2

Kendi sorunuzu kısmen "boyuna" değişiklikler isteyerek cevaplıyorsunuz. Kesit verisi çağrılır, çünkü zaman içinde gelişmekte olan bir toplumdan çok sayıda ilişkisi olan dilimlenmiş bir kesit. Bu nedenle, yapmayı ümit edebileceğiniz en iyi çıkarım, çalıştığınız her şeyin zamanla değişmediği veya en azından evrimini tamamladığı varsayımı altındadır.

Diğer yandan, aradığınız veriler Ekonomistler için uzunlamasına veriler veya panel verileridir.

Çoğunlukla yöntemleri açıklayan ancak aynı zamanda Ekonomi'den öne çıkan iki örneği vurgulayan iyi bir referans burada . Örnek 2.1, şirket yatırım oranlarına sahiptir.

Bölüm 3 biraz daha teoriktir, ancak çok fazla bilgi içerir: bir panel veri modeli

\begin{array}{rcl} y_{i, t} = α y_{i, t - 1} + x_{i, t} γ + η_{i} + v_{i, t} . \end{array}

$\begin{eqnarray} y_{i,t} = \alpha y_{i,t-1} + x_{i,t} \gamma + \eta_{i} + v_{i,t}. \end{eqnarray}$

Şimdi, bu tür bir model insanların bağımlılıklarının neden farklı davrandığına dair yaygın bir açıklama olan (gözlemlenmeyen heterojenliğin yanında) devlet bağımlılığını yakalayabilir. Bu nedenle, yalnızca belirli bir zamanda seyahat eden insanları gözlemlerseniz, tanımlanmayacaktır, yani dün seyahatlerinin tekrar seyahat etme kararını ne kadar etkilediğinin farkında değilsiniz. $\alpha$

Şimdi, bir an için zamana bağımlılığı kapatın ancak bu denklemin gerçek model olabileceğini unutmayın.

Şimdi bir kesit modelinde, tamamen bırakacaksınız çünkü sadece bir dönemde veriye sahipsiniz. Bu nedenle, veri her bireyin , en azından gerçek model dinamik olduğunda, regresyonlarınızı genel olarak yukarı doğru , çılgınca farklı sahip olabileceği gerçeğini de . Muhtemelen ölçülmeyen, ancak gözlemlemediğiniz, ancak kesit araştırmanıza yansıyan, gözlemlenmeyen bireysel bir etki (yaygın da olabilir) nedeniyle aşırı tahminin sebebidir. $t$ $\eta_{i}'s$

Şimdi panel verilerini tekrar girin. Ne yapabiliriz ortalama göz önüne alındığında, her bir değişkenin ortalama üzerinde zaman çıkarmak olduğunu sabit zamanla bu terim ortadan kaldıracaktır. Bu dönüşüm (diğerleri mümkündür) sadece dinamiklere odaklanmanıza izin verir (ve aslında zamanla değişmeyen regresörleri kaybedersiniz). $\eta_i$

Şimdi, bu kesit ve panel verileri arasındaki temel farktır. Zamanla değişmeyen etkiyi ortadan kaldırabilmeniz, çünkü bu zaman varyasyonuna sahip olmanız, enine kesit tahmininin tespit etmenize izin vermediği belirli önyargıları ortadan kaldırmanıza izin verir. Bu nedenle, insanların seyahat etmesini beklediğiniz ve daha fazla devlet geliri istediğiniz için seyahat konusunda daha yüksek bir vergi gibi bir politika değişikliğini düşünmeden önce, fenomeni birkaç yıl boyunca görmüş olmak, böylece seyahat etme eğilimi olarak yorumladığınız numunenizde gözlemlenmeyen heterojenliği yakalamak

Bu modelleri tahmin etmek için referanstan geçmek en iyisidir. Ancak dikkat: insanların davranışlarıyla ilgili farklı varsayımlar, farklı tahmin prosedürlerini kabul edilebilir hale getirecektir.

Umarım bu yardımcı olur!

— Hírek
kaynak

1

Ergodik olmayan bir sürecin tanımına çok benziyor (gerçekleşmeler üzerindeki ölçümler zaman içindeki önlemlere eşit değil). Ne yazık ki, çok az ilginç gerçek dünya fenomeni ergodiktir. Sanırım bu, bazı basitleştirmelerin yapılabileceği daha ince ölçekli örnekleme ve çıkarım için bir durum olabilir. Tahmincilerin doğrusallaştırılabilmesi için kaotik davranışın gözlenmediği küçük zaman veya mekansal ölçek örnekleri için düşünüyorum. Ama burada sadece başıboş dolaşıyorum .. Korkarım bu konuda size özel literatür konusunda da yardımcı olamıyorum. Üzgünüm: / Ama yine de ilginç bir soru

— ocramz
kaynak