Skydinių duomenų ekonometrija išpopuliarėjo dėl galimybės analizuoti duomenų rinkinius, turinčius ir skerspjūvio, ir laiko eilučių dimensijas. Šis dvejopas pobūdis leidžia ekonomistams ir tyrėjams ištirti, kaip kintamieji laikui bėgant keičiasi skirtinguose subjektuose, todėl tai yra galinga priemonė ekonominiam prognozavimui, politikos vertinimui ir sudėtingiems duomenų santykiams nustatyti. Šiame įraše gilinsimės į tai, kas yra skydelio duomenys, kaip juos analizuoti naudojant fiksuotų efektų ir atsitiktinių efektų modelius, ir apžvelgsime realią ekonominę programą, tuo pačiu pabrėždami modelio pasirinkimo niuansus.
Kas yra skydiniai duomenys ekonometrijoje?
Skydelio duomenys reiškia duomenų rinkinius, kurie stebi kelis objektus (pvz., asmenis, įmones, šalis) per tam tikrą laiką ir pateikia pakartotinius matavimus įvairiais laikotarpiais. Ši struktūra sujungia skerspjūvio duomenų, fiksuojančių objektų skirtumus, ir laiko eilučių duomenų, kurie seka pokyčius laikui bėgant, pranašumus. Pavyzdžiui, skydiniai duomenys gali apimti metinį BVP, infliaciją ir užimtumo rodiklius tam tikrose šalyse per 20 metų laikotarpį.
Ekonometriniai modeliai, analizuojantys skydelio duomenis, sukurti taip, kad atsižvelgtų į objektų ir laiko skirtumus, todėl jie idealiai tinka dinaminiams ekonominiams ryšiams tirti. Šis derinys leidžia tyrėjams:
- Individualaus nevienalytiškumo kontrolė: Atsižvelgdami į objektų skirtumus, skydelio duomenys padeda atskirti tikrąjį kintamųjų poveikį.
- Nustatykite ir analizuokite dinamiką laikui bėgant: skydelio duomenys fiksuoja laiko pokyčius, leidžiančius ištirti, kaip vystosi santykiai.
- Pagerinkite įvertinimo efektyvumą: Didesnis stebėjimų skaičius skydelio duomenyse lemia efektyvesnius ir patikimesnius įvertinimus.
Ekonomistams skydelio duomenys yra neįkainojami norint analizuoti laikui bėgant kintančią elgseną, pvz., kaip ekonominė politika skirtingai veikia šalis arba kaip keičiasi politikos pokyčiai, keičiasi namų ūkių pajamos.
Skerspjūvio duomenų supratimas
Skerspjūvio duomenys atspindi skirtingų objektų stebėjimus vienu momentu. Pavyzdžiui, apsvarstykite trijų šalių (A, B ir C) BVP, infliacijos ir užimtumo duomenis per vienerius metus, tarkime, 2001 m.
| Šalis | Metai | BVP | Infliacija | Užimtumas |
|---|---|---|---|---|
| A | 2001 m | 1.5 | 2,0 % | 55 % |
| B | 2001 m | 2.1 | 1,5 % | 65 % |
| C | 2001 m | 1.2 | 2,5 % | 45 % |
Šioje lentelėje parodyta, kaip atrodo skerspjūvio duomenys – skirtingi subjektai (šalys) stebimi vienu momentu (2001 m.). Tai padeda palyginti šalių ekonominius rodiklius, bet neparodo, kaip šie rodikliai keičiasi laikui bėgant.
Laiko eilučių duomenų supratimas
Laiko eilučių duomenys stebi vieno objekto pokyčius skirtingais laikotarpiais. Pavyzdžiui, pažiūrėkime į A šalies BVP duomenis per trejus metus:
| Šalis | Metai | BVP |
|---|---|---|
| A | 2001 m | 1.5 |
| A | 2002 m | 1.7 |
| A | 2003 m | 1.8 |
|
||
Ši lentelė iliustruoja laiko eilučių duomenis, kai vienas subjektas (Šalis A) stebimas per kelis laikotarpius (2001–2003 m.). Tai padeda mums pamatyti, kaip A šalies BVP kinta laikui bėgant, bet neleidžia palyginti su kitomis šalimis tais pačiais metais.
Skerspjūvio ir laiko eilučių duomenų sujungimas į formos skydelio duomenis
Skydelio duomenys sujungia skerspjūvio duomenų (stebėjimų keliuose objektuose) ir laiko eilučių duomenų (stebėjimų per kelis laikotarpius) funkcijas į vieną duomenų rinkinį. Pavyzdžiui, panagrinėkime duomenų rinkinį su trimis šalimis (A, B ir C), kurios buvo stebimos per trejus metus:
| Šalis | Metai | BVP | Infliacija | Užimtumas |
|---|---|---|---|---|
| A | 2001 m | 1.5 | 2,0 % | 55 % |
| A | 2002 m | 1.7 | 2,1 % | 56 % |
| A | 2003 m | 1.8 | 2,2 % | 57 % |
| B | 2001 m | 2.1 | 1,5 % | 65 % |
| B | 2002 m | 2.2 | 1,6 % | 66 % |
| B | 2003 m | 2.3 | 1,7 % | 67 % |
| C | 2001 m | 1.2 | 2,5 % | 45 % |
| C | 2002 m | 1.3 | 2,6 % | 46 % |
| C | 2003 m | 1.4 | 2,4 % | 47 % |
|
|
||||
Ši struktūra leidžia tyrėjams analizuoti, kaip bėgant laikui kinta kiekvienos šalies BVP, infliacija ir užimtumas, ir palyginti šiuos pokyčius įvairiose šalyse tais pačiais laikotarpiais.
Kodėl tai vadinama išilginiais duomenimis
Skydelio duomenys dažnai vadinami išilginiais duomenimis, nes jie apima tų pačių objektų stebėjimą laikui bėgant. Šis išilginis aspektas leidžia mums sekti „ilgalaikį“ poveikį ar pokyčius kiekviename subjekte, pvz., kaip BVP arba užimtumas kinta šalyje A per kelerius metus. Be to, kiekvienais metais galima palyginti subjektus, pvz., šalį A ir šalį B.
Išilginiai duomenys apima abu:
- Variacijos objekto viduje: Kaip konkretus subjektas keičiasi laikui bėgant (pvz., šalies A BVP augimas).
- Esybės variantai: Kaip skirtingi subjektai lygina tam tikrais laiko momentais (pvz., lyginant šalies A ir šalies B BVP 2001 m.).
Fiksuotų efektų ir atsitiktinių efektų modeliai
Du iš dažniausiai naudojamų ekonometrinių modelių skydelio duomenims analizuoti yra fiksuotų efektų ir atsitiktinių efektų modeliai. Sprendžiant, kaip teisingai analizuoti skydelio duomenis, labai svarbu suprasti šių modelių skirtumus.
Fiksuotų efektų modelis
Fiksuotų efektų (FE) modelis valdo individualias charakteristikas, kurios gali turėti įtakos priklausomam kintamajam, bet laikui bėgant išlieka pastovios. FE modelyje kiekviena esybė turi savo pertrauką, leidžiančią konkrečiam objektui skirtis.
Bendra fiksuotų efektų modelio forma yra tokia:
\( Y_{it} = \alpha_i + \beta X_{it} + u_{it} \)
Paaiškinimas:
- Ytai: priklausomas subjekto kintamasis i laiku t.
- αi: individualus subjekto perėmimas ikontroliuojantis laiko nekintamąsias charakteristikas.
- Xtai: aiškinamieji kintamieji.
- β: aiškinamojo kintamojo koeficientas.
- utai: Klaidos terminas.
Kada naudoti fiksuotų efektų modelį:
- Sutelkite dėmesį į laikui bėgant kintančius kintamuosius: FE modelis yra idealus, kai pagrindinis interesas yra analizuoti kintamųjų, kurie laikui bėgant kinta objektuose, poveikį.
- Praleisto kintamojo poslinkio buvimas: Jei yra nepastebėtų savybių, kurios skiriasi įvairiuose objektuose, bet yra pastovios laikui bėgant, FE modelis padeda kontroliuoti šiuos veiksnius.
Privalumai:
- Visų laiko nekintamų objektų charakteristikų valdikliai, mažinantys šališkumą.
- Leidžia tiksliau įvertinti laike kintančių kintamųjų poveikį.
Atsitiktinių efektų modelis
Kita vertus, atsitiktinių efektų (RE) modelis daro prielaidą, kad skirtumai tarp objektų yra atsitiktiniai ir nesusiję su nepriklausomais modelio kintamaisiais. Vietoj to, kad kiekvienai esybei būtų leista savo perimti, RE traktuoja šiuos skirtumus kaip klaidos termino dalį.
Bendra atsitiktinių efektų modelio forma yra tokia:
\( Y_{it} = \alpha + \beta X_{it} + u_{it} + \epsilon_i \)
Paaiškinimas:
- Ytai: priklausomas subjekto kintamasis i laiku t.
- α: Bendras perėmimas.
- εi: atsitiktiniai efektai, būdingi kiekvienam objektui.
- Kitos sąlygos nurodytos aukščiau.
Kada naudoti atsitiktinių efektų modelį:
- Laike nekintamų kintamųjų įtraukimas: Jei reikia įtraukti kintamuosius, kurie laikui bėgant nesikeičia (pvz., geografinė vieta), RE leidžia juos įtraukti kaip aiškinamuosius kintamuosius.
- Prielaida, kad nėra koreliacijos: RE modelis yra tinkamas, kai unikalios klaidos (ϵi\epsilon_iϵi) nėra koreliuojamos su aiškinamaisiais kintamaisiais.
Privalumai:
- Veiksmingesnis už FE, jei galioja prielaida, kad nėra koreliacijos.
- Leidžia atlikti platesnę analizę įtraukiant laiko nekintamus kintamuosius.
Pasirinkimas tarp fiksuotų ir atsitiktinių efektų naudojant Hausmano testą
Sprendžiant tarp fiksuotų efektų ir atsitiktinių efektų modelių, dažnai vadovaujamasi Hausmano testu, kuris tikrina, ar unikalios klaidos (ϵi\epsilon_iϵi) yra koreliuojamos su regresoriais.
- Jei Hausmano testas atmeta nulinę hipotezę: naudokite fiksuotų efektų modelį, nes jis rodo, kad objekto specifiniai efektai yra koreliuojami su nepriklausomais kintamaisiais.
- Jei Hausmano testu nepavyksta atmesti nulinės hipotezės: Atsitiktinių efektų modelis yra efektyvesnis ir gali būti naudojamas.
Hausmano testas yra esminis skydelio duomenų analizės žingsnis, nes pasirinkus netinkamą modelį, įvertinimai gali būti šališki arba neefektyvūs.
Realaus pasaulio pavyzdys: ekonomikos augimo analizė naudojant skydinius duomenis
Apsvarstykite duomenų rinkinį, kuriame nagrinėjamas prekybos atvirumo ir infliacijos poveikis ekonomikos augimui 50 šalių per 10 metų laikotarpį. Mūsų tikslas – nustatyti, kaip šie kintamieji įtakoja BVP augimą, kartu atsižvelgiant į konkrečios šalies ypatybes.
Žingsnis po žingsnio skydelio duomenų analizė
Paruoškite duomenis:
Įsitikinkite, kad duomenų rinkinys turi ir skerspjūvio (šalių), ir laiko eilučių (metų) matmenis. Išvalykite duomenis, kad pašalintumėte trūkstamas reikšmes ir užtikrintumėte stebėjimų nuoseklumą.
Atlikite bendrą OLS regresiją:
Pradėkite nuo bendros įprastų mažiausių kvadratų (OLS) regresijos, kad suprastumėte ryšius neatsižvelgdami į konkrečiam objektui būdingus efektus:
\(BVP_{it} = \alpha + \beta_1 \text{TradeOpen}_{it} + \beta_2 \text{Inflation}_{it} + u_{it} \)
Paleiskite fiksuotų efektų modelį, kad atsižvelgtumėte į konkrečiai šaliai būdingas ypatybes:
\( BVP_{it} = \alpha_i + \beta_1 \text{TradeOpen}_{it} + \beta_2 \text{Inflation}_{it} + u_{it} \)
Kiekviena šalis turi savo pertrauką (\(\alpha_i\)), kuri kontroliuoja nepastebimas ypatybes, pvz., geografinius veiksnius ar kultūrinius skirtumus.
Įvertinkite atsitiktinių efektų modelį:
Vykdykite atsitiktinių efektų modelį, kad sužinotumėte, ar tikslinga konkrečios šalies efektus laikyti atsitiktiniais:
\(BVP_{it} = \alpha + \beta_1 \text{TradeOpen}_{it} + \beta_2 \text{Inflation}_{it} + \epsilon_i + u_{it} \)
Atlikite Hausmano testą:
Palyginkite fiksuotų ir atsitiktinių efektų modelius naudodami Hausmano testą. Jei testo statistika reikšminga, naudokite fiksuotų efektų modelį.
Interpretuokite rezultatus:
Atsižvelgdami į pasirinktą modelį, interpretuokite koeficientus, kad suprastumėte, kaip prekybos atvirumas ir infliacija veikia BVP augimą įvairiose šalyse. Išanalizuokite, ar kintamieji turi reikšmingą poveikį, ir šių ryšių kryptį.
Skydinių duomenų analizės ir sprendimų apribojimai
Nors skydelio duomenys suteikia daug analizės galimybių, jie susiduria su iššūkiais:
Trūksta duomenų
Skydelių duomenų rinkiniuose dažnai yra spragų dėl trūkstamų stebėjimų. Priskyrimo metodai, tokie kaip vidutinis priskyrimas arba regresija pagrįstas priskyrimas, gali padėti išspręsti šią problemą.
Autokoreliacija
Kadangi skydelio duomenys apima laiko eilučių stebėjimus, autokoreliacija gali turėti įtakos rezultatams. Naudojant patikimas standartines klaidas arba modelius, pvz., dinaminius skydelio duomenis (pvz., GMM), šią problemą galima sumažinti.
Daugiakolinisiškumas
Daugelio aiškinamųjų kintamųjų įtraukimas gali sukelti daugiakolineariškumą. Išspręskite šią problemą pašalindami labai koreliuojamus kintamuosius arba naudodami matmenų mažinimo metodus, pvz., PCA.
Išvada
Skydelio duomenys suteikia universalią ir išsamią duomenų rinkinių, apimančių ir skerspjūvio, ir laiko eilučių dimensijas, analizę. Leidžiant konkrečiam asmeniui būdingus efektus ir fiksuojant pokyčius laikui bėgant, tai ypač naudinga norint suprasti dinamiškus ekonomikos ryšius. Pasirinkimas tarp fiksuotų efektų ir atsitiktinių efektų modelių yra labai svarbus, o Hausmano testas siūlo metodinį būdą, kaip nustatyti tinkamiausią jūsų analizei. Sprendžiant problemas, tokias kaip trūkstamų duomenų, autokoreliacija ir daugiakolineariškumas, užtikrinama, kad sukurti modeliai būtų tikslūs ir patikimi.
Ačiū, kad skaitėte! Jei tai buvo naudinga, pasidalykite ja su draugais ir paskleiskite žinias.
Laimingo mokymosi su MASEconomics