Презентация на тему Панельные данные. Проблема эндогенности

объектами в течение двух или более периодов времени T.
n

> 1, p > 1, T > 1 в матрице «объект-свойство» исходных данных:

Сбалансированная панель – есть значения всех показателей по всем объектам за все периоды времени.
Несбалансированная панель – имеются пропущенные данные.

Панельные данные можно оценивать, как и обычную пространственную выборку , однако мож-но учесть особенности структуры, в частности, влияние пропущенных переменных, различное для разных объектов, но постоянное во времени.

«после»
3
Случай T = 2:
На результирующий показатель y влияют не

только анализируемые регрессоры x(1),…,x(p), но и множество других переменных z(1),…,z(q), часть из которых (или даже все) являются ненаблюдаемыми, но слабо меняются с течением времени.

Если вычесть одно уравнение из другого, все переменные z(1),…,z(q) сокращаются:

Этот способ может быть использован и при наличии большего числа периодов (чаще всего рассматриваются приращения от первого до пос-леднего периода), но лучше не отбрасывать промежуточные потенци-ально полезные данные.

течением времени, но различны для разных объектов, обозначим
Коэффициенты αi

(«фиксированные эффекты») отражают особенности i-объекта и зависят от неучтенных в модели факторов. Увеличение числа объясняющих переменных «съедает» αi.

Для нахождения фиксированных эффектов можно ввести бинарные пе-ременные , равные единице для соответствующего объекта и нулю в противном случае. Данный механизм очень похож на механизм дамми-переменных. Если вводятся все n бинарных переменных, из мо-дели исключается свободный член. Как альтернатива, один из объектов (например, последний) берется за базу, и для него бинарная переменная не вводится.

эффек-тами может быть построена модель с фиксированными временными эффектами,

если мы предполагаем, что есть некоторое влияние, одинаковое для различных объектов, но меняющееся во времени.

Для нахождения фиксированных временных эффектов можно ввести бинарные переменные , равные единице для соответствую-щего момента времени и нулю в противном случае. Если вводятся все T бинарных переменных, из модели исключается свободный член. Как альтернатива, один из периодов времени (например, последний) берется за базу, и для него бинарная переменная не вводится.

Можно включить в модель одновременно индивидуальные и временные фиксированные эффекты:

есть некоррелированность регрессоров и случайной ошибки.
Если в регрессионной модели регрессоры

коррелируют с ошибкой, они называются эндогенными.

Причины эндогенности:
Наличие пропущенных переменных.
Ошибки измерения регрессоров.
Самоотбор при формировании выборки.
Одновременность, обратная зависимость.
Автокорреляция ошибок при наличии лаговых переменных.

Последствия проблемы эндогенности:
Смещенность и несостоятельность МНК-оценок коэффициентов.
Неверная содержательная интерпретация и рекомендации, вырабо-танные на основе модели.

Разные источники эндогенности могут иметь место одновременно, могут как усиливать, так и компенсировать друг друга.

модели даже незначимые факторы – это уменьшает эффективность, но

важнее рост состоятельности.

Примеры:

## Способности сильно положительно коррелируют с образованием и, будучи пропущенными, смещают оценку эффекта образования вверх.

## При анализе влияния цены или рекламы на объемы продаж часто пропускают важные, но плохо наблюдаемые характеристики рынков или товаров (уровень конкуренции и доли конкурентов, ожидания, изменения предпочтений, уровень доходов), коррелированные с ценой или рекламой, что приводит к смещению оценок.
Цены квартир положительно коррелирует с доходами (в богатых регионах жилье дороже. Следовательно, эффект цены занижается:

ослабляют связь.
Причины ошибок:
Метод измерения (эффект интервьюирующего, искажения от соци-альной

желательности,…).
Инструмент измерения (число лет обучения не учитывает самообра-зование).
Отсутствие физической единицы измерения + неудачные шкалы рей-тингов для измерения восприятия, вер, отношений, суждений.
Ошибки агрегирования (индексы цен).

Самоотбор при формировании выборки

Индивиды выбирают определенное состояние, руководствуясь скрыты-ми причинами.

## Данные интернет-магазинов – более молодые и продвинутые поль-зователи. Данные телефонных опросов – те, кто сидит дома.

в ко-торых переменные являются объясняющими в одних уравнениях и

ре-зультирующими в других.

Автокорреляция ошибок
при наличии лаговых переменных

## Рекламные воздействия на потребителя часто являются функциями прошлых продаж.

## Любые равновесия, например, спроса и предложения – объем продаж и цена формируются одновременно.
## Связь между качеством институтов и богатством страны – что явля-ется причиной, а что следствием.

находим «инс-трументы» – переменные z, связанные с x, но

не связанные c y и ε.

Противоречивость требований к инструментам: z – коррелирует с x, x – коррелирует с y. Следовательно, z коррелирует с y.

Варианты разрешения:
Экзогенные (нет корреляции с ошибкой), но слабые инструменты (слабо связаны с x) – валидные.
Сильные (сильно связаны с x), но эндогенные (есть корреляция с ошибкой) инструменты – релевантные.

Примеры инструментов:
Зависимость спроса от цены. Инструментами могут являться факторы, сдвигающие предложение, например, налоги или цены соседних рынков.
## Налоги влияют на цену, но не влияют на спрос.
## Цены соседних рынков связаны между собой, но не влияют на спрос.

квадратов:
Шаг 1. Построение зависимости объясняющей переменной от инстру-мента:
Шаг 2.

Построение зависимости результирующей переменной от прог-ноза объясняющей:

Пример:
Месячный спрос и предложение на рынке пирожных заданы функциями qD = 150 – p, qS = 3p – 150 (функции неизвестны исследователю!) При этом имеются существенные случайные отклонения от равновесия.
В распоряжении исследователя имеются помесячные данные о ценах и объемах продаж за 2,5 года, а также информация о том, что за этот период трижды менялся налог (0 → 10 → 6).
Необходимо оценить зависимость спроса напрямую и через метод инст-рументальных переменных.