Data Panel: Pooled OLS vs RE vs. FE Effects


8

Kami memiliki beberapa diskusi tentang kegunaan Pooled-OLS dan RE Estimator dibandingkan dengan FE.

Sejauh yang saya tahu, estimasi Pooled OLS hanyalah teknik OLS yang dijalankan pada data Panel. Oleh karena itu semua efek spesifik indivudual sepenuhnya diabaikan. Karena itu banyak asumsi dasar seperti ortogonalitas dari istilah kesalahan dilanggar.

RE memecahkan masalah ini dengan menerapkan intersep specif individual dalam model Anda, yang dianggap acak. Ini menyiratkan eksogenitas penuh model Anda. Ini dapat diuji dengan Hausmann-Test.

Karena hampir setiap model memiliki beberapa masalah endogenitas, FE-Estimation adalah pilihan terbaik dan memberi Anda perkiraan konsisten terbaik tetapi parameter spesifik individu akan hilang.

Pertanyaan yang saya tanyakan pada diri saya adalah kapan sebenarnya masuk akal untuk menggunakan Pooled OLS atau Random-Effects? Pooled OLS melanggar begitu banyak asumsi dan karenanya sepenuhnya omong kosong. Juga eksogenitas yang kuat dari RE-Estimator pada dasarnya tidak pernah diberikan, jadi kapan itu bisa berguna?

Selain itu, dalam semua model, autokorelasi tidak dapat dipertimbangkan?


Cobalah untuk melihat pendekatan Mundlak-Chamberlain untuk ini. Google efek acak berkorelasi atau pendekatan Mundlak. Mereka memungkinkan Anda untuk bersantai dengan asumsi efek acak yang tidak berkorelasi. Saya akan memperluas komentar ini sebagai jawaban yang tepat ketika saya punya waktu (Jumat malam di sini, Anda tahu).
Kenji

1
Untuk menindaklanjuti komentar oleh Kenji: Model efek acak lebih fleksibel dan masalah endogenitas dapat diselesaikan dengan memasukkan rata-rata kovariat yang bervariasi waktu sebagai prediktor dalam model. Lihat: Bell, A., & Jones, K. (2015). Menjelaskan efek tetap: Pemodelan efek acak dari data cross-sectional dan panel seri waktu. Penelitian dan Metode Ilmu Politik, 3 (1), 133-153.
Wolfgang

Jawaban:


5

Pertama , Anda benar, estimasi Pooled OLS hanyalah teknik OLS yang dijalankan pada data Panel .

Kedua , ketahuilah bahwa untuk memeriksa seberapa banyak data Anda dapat dikumpulkan, Anda dapat menggunakan uji pengali Breusch-Pagan Lagrange - yang hipotesis nolnyaH0 adalah bahwa varians dari efek tetap yang tidak teramati adalah nol OLS yang dikumpulkan mungkin merupakan model yang sesuai. Jadi, jika Anda menyimpannyaH0dan mencurigai masalah endogenitas, Anda mungkin ingin meninggalkan dunia panel-data, dan menggunakan teknik estimasi lain untuk mengatasinya, misalnya IV (multi-SLS), GMM .

Ketiga , dalam spesifikasi FE, parameter spesifik individu tidak menghilang dan dapat ditambahkan kembali (dengan koefisien identik tetapi kesalahan standar yang perlu disesuaikan). Ini sebenarnya semua tentang model LSDV tentang (dengan grand-rata tambah-balik dan dalam rata-rata).

Keempat , untuk menangani autokorelasi (kesalahan), transformasi mirip GLS dapat membantu Anda secara teoritis, tetapi dalam praktiknya, ini hanya berurusan dengan heteroskedastisitas ( WLS , FGLS ). Namun, perhatikan bahwa tergantung pada ruang (temporal, geografis, sosiologis, dll ...) di mana Anda mengasumsikan autokorelasi bekerja, Anda dapat membuat proksi strukturnya dan akhirnya melakukan transformasi seperti GLS, misalnya panel spasial.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.