タグ付けされた質問 「econometrics」

私は経済学のジャーナルから拒絶されました。拒否の理由としては、次のものが挙げられます。 因果関係を明確に識別する代替のより単純な手法と比較して、セミパラメトリック法を使用することの利点は明確には発揮されません OLSに固執する多くのエコノミストに方法論を動機付けるより良い仕事をしたかもしれないことは確かに可能です。しかし、私は「クリーンな識別」に違反しましたか？ご自身で判断して、ご意見をお聞かせください。 私の主な推定式は Zは連続で、XとTはバイナリです。私は当然のことながら E [yit=αi+β1Tit+f⎛⎝⎜ZitZit×TitZit×Tit×Xt⎞⎠⎟+β2Xt+ϵityit=αi+β1Tit+f(ZitZit×TitZit×Tit×Xt)+β2Xt+ϵit y_{it} = \alpha_i + \beta_1 T_{it} + f\left(\begin{array}{l}Z_{it}\\ Z_{it} \times T_{it} \\ Z_{it}\times T_{it} \times X_t\end{array} \right) + \beta_2X_t + \epsilon_{it} ZZZXXXTTT つまり、 Tの係数は、個々のレベルのダミー変数（計量経済学における「固定効果」）を条件として不偏であることを意味します。連続変数 Zを含めると、 Zの勾配に対する推定処理効果の不均一性がわかります。治療の平均因果効果ので Tはの平均値である β 1 + F Z × Tの様々なレベルのために Z Iが観測こと。E[ϵ|α,T]=0E[ϵ|α,T]=0 E[\epsilon|\alpha,T] = 0 TTTZZZZZZTTTβ^1+f^Z×Tβ^1+f^Z×T\hat\beta_1 + \hat f_{Z\times …

8 nonparametric  econometrics  causality  splines  gam 

実験中に3回評価された10人の参加者の2つのグループがあります。グループ間および3つの評価全体の違いをテストするために、group（コントロール、実験）、time（最初、2、3）、およびを使用して2x3混合設計ANOVAを実行しましたgroup x time。両方timeとgroup有意な相互作用があったほか、重大な結果group x time。 グループメンバーシップに関しても、3回の評価の違いをさらにチェックする方法をよく知りません。実際、最初は、ANOVAのオプションで、ボンフェローニの補正を使用してすべての主要な効果を比較することだけを指定しました。しかし、この方法で、グループを区別せずに、サンプル全体の時間の違いをこのように比較したことに気付きましたね。 したがって、可能な解決策を見つけるためにインターネットでたくさん検索しましたが、結果はほとんどありませんでした。私と同じようなケースは2つしか見つかりませんでしたが、解決策は逆です！ 記事では、混合設計の後、著者らは被験者ごとに1つずつ、2回の反復測定ANOVAを事後的に実行しました。このようにして、2つのグループは修正なしで個別に分析されます。 インターネットのガイドでは、混合ANOVAの実行中に、SPSS構文のCOMPARE(time) ADJ(BONFERRONI)直後にを手動で追加すると述べています/EMMEANS=TABLES(newgroup*time)。このように、3つの時間はグループごとに個別に比較されます。ボンフェローニ補正を使用すると、私は正しいのでしょうか。 どう思いますか？どちらが正しい方法でしょうか？

8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka 

私は推定する必要があるモデルを有する、 とΣ K π K = 1 のための K ≥ 1とπ K ≥ 0 のための K ≥ 1。Y= π0+ π1バツ1+ π2バツ2+ π３バツ３+ε,Y=π0+π1X1+π2X2+π3X3+ε, Y = \pi_0 + \pi_1 X_1 + \pi_2 X_2 + \pi_3 X_3 + \varepsilon, ∑kπk=1 for k≥1∑kπk=1 for k≥1\sum_k \pi_k = 1 \text{ for }k \geq 1πk≥0 for …

8 r  regression  econometrics  least-squares  constrained-regression 

ウィキペディアのガンマ分布に関する記事には、2つの異なるパラメーター化手法がリストされています。そのうちの1つは、ベイズ計量経済学でおよびβ > 0として頻繁に使用され、αは形状パラメーター、βはレートパラメーターです。α > 0α>0\alpha>0β> 0β>0\beta>0αα\alphaββ\beta バツ〜G A M M A（α 、β）。X∼Gamma(α,β).X\sim \mathrm{Gamma}(\alpha,\beta). ゲイリー・コープによって書かれたベイズ計量経済学の教科書では、精度パラメーターあるガンマ分布、次の事前分布を1σ2= h1σ2=h\frac{1}{\sigma^2}=h H 〜G A M M A（S–− 2、ν––）、h∼Gamma(s_−2,ν_),h\sim \mathrm{Gamma}(\underline{s}^{-2},\underline{\nu}), ここで、は平均であり、v _は彼の付録によると自由度です。また、s 2は定義付きの標準エラーですs–− 2s_−2\underline{s}^{-2}ν––ν_\underline{\nu}s2s2s^2 s2= ∑ （y私- β^バツ私）ν。s2=∑(yi−β^xi)ν.s^2=\frac{\sum(y_i-\hat{\beta}x_i)}{\nu}. したがって、平均と分散が異なるため、私にとって、ガンマ分布のこれら2つの定義は完全に異なります。ウィキペディアの定義に従うと、平均はs _ − 2ではなく、なります。α / βα/β\alpha/\betas–− 2s_−2\underline{s}^{-2} 私はここで非常に混乱していますが、誰かが私がここで考えを強化するのを手伝ってくれませんか？

8 bayesian  econometrics  prior  gamma-distribution 

私の回帰に異分散性の問題があるかどうかをテストしようとしています。回帰を実行した後、残差プロットにパターンがあることがはっきりとわかります。従属変数のログを取った後、パターンは大幅に減少します。元の式のホワイトのテストでは、変換前にp値0.0004（残差に強いパターンがあるモデル）が返され、対数変換後にp値0.08が返されます。 2番目のモデルの方がプロットの不均一性が少ないことがわかりますが、ホワイトの検定の結果をどのように解釈すればよいですか？最初の値は、（100-0.0004）％の有意性で異分散性があることを拒否できることを意味しますが、2番目のモデルでは、たとえば95％の信頼性でそれを拒否できますか？

8 regression  econometrics  heteroscedasticity 

私の理解では、計量経済学は、部分的（推定ceteris paribus主に推定する目的で）相関関係を因果関係を。そのため、通常は使用可能なデータセット全体を使用します。計量経済学は、パラメトリックとノンパラメトリックにすることができます。 一方、機械学習は因果関係には関心がなく、主に予測を生成することを目的とした「適合」に関心があります。そのため、通常はデータセットをトレーニングセットと予測セットに分割します。機械学習は、パラメトリックおよびノンパラメトリックにすることもできます。 これが私がこれらの2つの分野の中核を成すことができるものですが、私はそれにもっとたくさんあると確信しています。私は主にそれらの違いに興味があります。誰かがこれについての良いガイドを提供できますか？

8 machine-learning  econometrics 

次の補題は、林の計量経済学にあります。 補題2.1（分布とモーメントで収束）：レッツである番目のモーメント、およびここで、は有限です（つまり、実数）。次に：αsnαsn\alpha_{sn}sssznznz_{n}limn→∞αsn=αslimn→∞αsn=αs\lim_{n\to\infty}\alpha_{sn}=\alpha_{s}αsαs\alpha_{s} " zん→dzzn→dzz_{n} \to_{d} z " ⟹⟹\implies " αsαs\alpha_{s}はz sss番目のモーメントです。"zzz したがって、たとえば、分布に収束する一連の確率変数の分散が何らかの有限数に収束する場合、その数は限界分布の分散です。 私が理解している限り、zんznz_{n}には、コンテキストから推測できる追加の仮定はありません。[0,1]の一様確率測度でz_ {n} = n \ mathbb {1} _ {[0、\ frac {1} {n}]}によって定義された確率変数のシーケンスを考えます。zん= n1[ 0 、1ん]zn=n1[0,1n]z_{n} = n\mathbb{1}_{[0,\frac{1}{n}]}[ 0 、1 ][0,1][0,1] 次にzん→d0zn→d0z_{n} \to_{d} 0ですが、(∀n) E(zn)=1→1≠0=E(0)(∀n) E(zn)=1→1≠0=E(0)(\forall n)\ E(z_{n}) = 1 \to 1 \neq 0 = E(0)です。 上記の補題を正しく読んでいる場合、{zn}{zn}\{z_n\}は反例を提供します。 質問：補題は間違っていますか？分布の収束が瞬間の収束を意味する一般的な条件を指定する関連する結果はありますか？

7 distributions  econometrics  convergence  asymptotics  moments 

私の計量経済学の教授は、クラスで「識別された」という用語を使用しました。フォームのデータ生成プロセスを検討しています Y=β0+β1X+UY=β0+β1X+UY = \beta_0 + \beta_1 X + U どこ XXX 確率変数であり、 UUUランダムなエラー項です。私たちの回帰直線は、Y=β0^+β1^XY=β0^+β1^XY = \hat{\beta_0}+\hat{\beta_1}X 彼は「識別された」の次の定義を与えた： β0β0\beta_0、β1β1\beta_1されている識別データセットならば{Xn}∞i=1{Xn}i=1∞\lbrace X_n\rbrace_{i=1}^{\infty} 固有の値を「固定」するのに十分な情報が含まれています β0β0\beta_0、β1β1\beta_1 彼は「情報」とは何か、また「ピン留め」が何を意味するのかを彼が指定していないので、私はこの定義に不満です。 コンテキストのビット 私たちの演習の1つで、 E[UX]=α≠0E[UX]=α≠0\Bbb E[UX] = \alpha \ne 0。私の教授によると、これはモデルを「識別可能」にするために必要な「外因性」と呼ばれる仮定に違反しています。 具体的には、彼の講義ノートによると、 外因性の仮定：エラー項はリグレッサと無相関です、またはCov(Un,Xnk)=0Cov⁡(Un,Xnk)=0\operatorname{Cov}(U_n,X_{nk}) = 0 すべてのために k=1,2,3...,Kk=1,2,3...,Kk = 1,2,3...,K。の仮定によってE(Un|Xn1,Xn2,...,XnK)E(Un|Xn1,Xn2,...,XnK)\Bbb E(U_n|X_{n1},X_{n2},...,X_{nK})、これは次のように書き直すことができます Cov(Un,Xnk)=E(UnXnk)=0Cov⁡(Un,Xnk)=E(UnXnk)=0\operatorname{Cov}(U_n,X_{nk}) = \Bbb E(U_nX_{nk}) =0 すべてのために k=1,2,3...,Kk=1,2,3...,Kk = 1,2,3...,K それは私たちの問題のようです、彼はこの外因性の仮定が失敗した場合、モデルを特定できない理由を理解させようとしています。うまくいけば、これは彼がその用語をどのように使用しているかについての回答者にコンテキストを与えることができます。 私の質問 誰かが彼が「情報」と「ピン留め」によって何を意味するのかを明確にすることができますか？または、より良い定義をまとめて与えます。 …

7 regression  econometrics  model  identifiability