Markowe Wyprzedaże
Portal poświęcony wyprzedaży odzieży, butów i dodatków
Markowe
Wyprzedaże
Zawsze
niskie ceny
Markowe
Ciuchy i Buty




 

Modèle pooled

Dans tous les cas, cela reproduirait exactement les erreurs standard signalées en estimant les deux modèles séparément. L`avantage est que nous pouvons maintenant tester l`égalité des coefficients entre les deux équations. Par exemple, nous pouvons maintenant lire les résultats de régression regroupés si l`effet de x1 est le même dans les groupes 1 et 2 (réponse: is _ b [g2x1] = = 0?, parce que _ b [x1] est l`effet dans le groupe 1 et _ b [x1] + _ b [g2x1] est l`effet dans le groupe 2 , donc la différence est _ b [g2x1]). Et, en utilisant le test, nous pouvons également tester d`autres contraintes. Si vous êtes connu pour avoir la même variance dans les deux groupes, les erreurs standard obtenues à partir de la régression regroupée sont meilleures, elles sont plus efficaces. Si les écarts sont vraiment différents, cependant, les erreurs standard obtenues à partir de la régression regroupée sont erronées. J`ai également noté le var estimé (u), ce qui est rapporté comme RMSE dans la sortie de régression de Stata. En termes d`écart-type, u a s.d. 15,528 dans le groupe = 1, 6,8793 dans le groupe = 2, et si nous limitons ces deux nombres très différents pour être le même, la s.d. commune est 12,096. Les coefficients sont les mêmes, estimés de toute façon. (Le fait que les coefficients dans [3] sont un peu hors de ceux de [2] est juste parce que je n`ai pas écrit assez de chiffres.) . Les erreurs standard pour les coefficients sont différentes.

Juste pour vous rappeler, voici ce que les commandes [1] et [2] ont rapporté: les OLS groupés (POLS): si $x _ {IJ} $ non corrélés avec $ eta_i $, OLS cohérents mais inefficaces (en raison de la corrélation sérielle). Utilisez les POLS ajustés. Si $x _ {IJ} $ corrélé avec $ eta_i $, POLS incompatible. Le do-file illustré dans 7,1 produit la sortie suivante: uncv. log si vous effectuez cette expérience avec des données réelles, vous observerez ce qui suit: où $x _ {it} $ est un vecteur de facteurs de variable temporelle, $w _ i $ est un vecteur de facteurs invariants du temps, $ eta_i $ est le l`effet individuel (ou l`hétérogénéité non observée, invariante du temps) et $ epsilon_{IJ} $ est une erreur idiosyncrasique (c.-à-d. qu`il est unique à la période individuelle). . Pour simplifier, supposons l`exogénéité des facteurs de temps variable. Ceci est: (sinon, nous devons penser aux instruments, tout comme dans le monde des données non-Panel). Ces résultats sont les mêmes que [1] et [2].

(Ne prêchez pas attention à la RMSE rapportée par régresser à cette dernière étape; le RMSE rapporté est l`écart-type de l`un des deux groupes, mais il est plutôt une moyenne pondérée; consultez la FAQ à ce sujet si vous vous souciez. Si vous souhaitez connaître les erreurs standard des valeurs résiduelles respectives, revenez à la sortie des instructions récapitulées saisies lors de la production de la variable de pondération.) $ $y _ {IT} = x_ {IT} beta + w_igamma + (eta_i + epsilon_{IJ}) $ $ pour estimer le modèle. Le résultat de faire cela avec mes données fictives est l`interception et les coefficients sur x1 et x2 dans [3] sont les mêmes que dans [1], mais les erreurs standard sont différentes. En outre, si je additionne les coefficients appropriés dans [3], j`obtiens les mêmes résultats que [2]: note technique y = β01 + β11×1 + β21×2 + (β02-β01) G2 + (β12-β11) g2x1 + (β22-β21) g2x2 + u, u ~ N (0, σ2): dans la création des poids, nous avons tapé les erreurs standard produites par xtgls, panneaux (Het ) ici sont environ 2% plus petits que ceux produits par [4] et en général sera un peu plus petit parce que xtgls, panneaux (Het) est un estimateur basé asymptotiquement.

Komentarze


Kategorie
  • Brak kategorii

©Copyright (c) 2012