パネルデータ:プールされたOLS対RE対FE効果


8

FEと比較したPooled-OLSおよびRE Estimatorの有用性について、いくつかの議論がありました。

つまり、私が知る限り、プールされたOLS推定は、単にPanelデータに対して実行されるOLS手法です。したがって、個々に固有の影響はすべて完全に無視されます。そのため、誤差項の直交性などの基本的な仮定の多くに違反しています。

REは、ランダムであると想定されるモデルに個別の仕様インターセプトを実装することによってこの問題を解決します。これは、モデルの完全な外来性を意味します。これはHausmann-Testでテストできます。

ほとんどすべてのモデルにはいくつかの内因性の問題があるため、FE-Estimationは最良の選択であり、最良の一貫した推定を提供しますが、個々の特定のパラメーターは失われます。

私が自問している質問は、プールされたOLSまたはランダム効果を使用することが実際に意味があるのはいつかということです。プールされたOLSは非常に多くの仮定に違反しているため、まったく意味がありません。また、RE-Estimatorの強力な外因性は基本的に与えられないので、いつそれが実際に役立つのでしょうか?

これに加えて、すべてのモデルで、自己相関は考慮できませんか?


Mundlak-Chamberlainのアプローチを見てみてください。グーグルは、ランダム効果またはマンドラックのアプローチを相関させた。非相関の変量効果の仮定を緩和することができます。時間があるときは、このコメントを適切な回答として展開します(金曜日の夜、ここです)。
ケンジ

1
ケンジのコメントをフォローアップするには:変量効果モデルはより柔軟であり、モデルの予測子として時変共変量の平均を含めることで内生性の問題を解決できます。参照:ベル、A。、およびジョーンズ、K。(2015)。固定効果の説明:時系列の断面データとパネルデータのランダム効果モデリング。政治学の研究と方法、3(1)、133-153。
Wolfgang、

回答:


5

まず、あなたが正しい、プールされたOLS推定は、単にPanelデータに対して実行されるOLS手法です。

H0H0

第3に、FE仕様では、個々の特定のパラメーター失われることはなく、元に戻すことができます(係数は同じですが、調整が必要な標準誤差があります)。これが実際にLSDVモデルのすべてです(追加されたグランド平均と平均内)。

第4に、(エラーの)自己相関を処理するために、GLSのような変換は理論的には役立つかもしれませんが、実際には、分散性(WLSFGLS)のみを処理します。ただし、自己相関が機能すると想定する空間(時間的、地理的、社会学的など)に応じて、その構造をプロキシし、最終的にGLSのような変換(空間パネルなど)を実行できます。

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.