Панельные данные

В шестое издание книги добавлены три новые главы. Глава Панельные данные дополняет книгу до полного списка тем, традиционно включаемых в современные базисные курсы эконометрики. Добавлены также главы Предварительное тестирование и Эконометрика финансовых рынков , которые будут полезны тем, кто интересуется соответственно теоретическими и прикладными аспектами эконометрики. Значительно увеличено количество упражнений. Включены упражнения с реальными данными, доступными для читателя на web-сайте книги.  [c.2]


В связи с интенсивным расширением эконометрического образования в России изменяется понятие начального курса эконометрики , все более приближаясь к современному состоянию эконометрики. В шестое издание книги добавлены три новые главы 13-я Панельные данные , 14-я Предварительное тестирование и 15-я Эконометрика финансовых рынков .  [c.23]

Тема Панельные данные дополняет книгу до полного набора тем, необходимых для начального эконометрического образования. Эта тема особенно важна для экономических исследований в России, где временные ряды макроэкономических данных еще слишком короткие для применения методов анализа временных рядов.  [c.24]

Можно привести еще несколько примеров, показывающих, что панельные данные дают возможность учесть эффекты, которые невозможно проследить, оставаясь в рамках обычных моделей. Так, при изучении величины ВВП надушу населения имеется возможность для какой-либо страны в каждый период времени наблюдать уровень инфляции, объем инвестиций, денежную массу и т. п. Но кроме этого существуют факторы, которые либо не наблюдаемы, либо нельзя представить в численной форме, но которые могут оказывать существенное влияние на исследуемый показатель географическое положение, история, культурные традиции и т. д. При этом действие этих факторов можно считать постоянным (т. е. не зависящим от времени) для каждой национальной экономики. Имея лишь пространственные данные для нескольких стран, можно определить влияние обычных экономических факторов на величину ВВП на душу населения, но нельзя выявить индивидуальные различия между странами. При наличии наблюдений за одними и теми же странами в течение нескольких  [c.358]


На микроуровне одна из традиционных задач — объяснение расходов домашних хозяйств на тот или иной товар, например, средства личной гигиены. Можно собрать пространственные данные, включив в них экономические и социально-демографические характеристики семьи и т. п., и получить значимую зависимость расходов на изучаемый товар от семейного дохода. Однако панельные данные могут показать, что доход не всегда оказывает существенное влияние, а разницу в расходах следует объяснять семейными традициями, уровнем культуры и другими факторами, не всегда поддающимися измерению и наблюдению.  [c.359]

Часто индивидуальные факторы коррелированы с другими объясняющими переменными. Так, например, общий уровень культуры семьи и уровень ее дохода естественно считать связанными. В рамках моделей регрессии это означает, что индивидуальный фактор является существенной переменной в модели и ее исключение приводит к смещенным оценкам остальных параметров (см. п. 4.4). Иными словами, модели с панельными данными позволяют получать более точные оценки параметров.  [c.359]

В то же время, поскольку панельные данные содержат наблюдения за одними и теми же объектами в разные периоды времени, предположение о взаимной независимости этих наблюдений становится нереалистичным, поэтому анализ этих моделей может потребовать применения более тонких (по сравнению с обычным методом наименьших квадратов) методов оценивания.  [c.359]

Все эти данные содержат наблюдения о большом количестве (несколько тысяч) экономических единиц (семей, индивидуумов) за относительно короткий промежуток времени. Такое соотношение между объемами пространственных и временных наблюдений является типичным для многих панельных данных.  [c.360]

Помимо этого существует большое число финансовых, макроэкономических и т. п. баз панельных данных.  [c.360]

В данной главе основное внимание уделяется статическим моделям с обычными количественными зависимыми переменными. Динамические модели и модели с дискретными зависимыми переменными рассматриваются менее детально. Их подробное изложение выходит за рамки начального курса, поэтому мы даем лишь описание моделей и краткое изложение возможных методов оценивания. В конце главы кратко описывается обобщенный метод моментов, который в настоящее время является одним из основных инструментов оценивания динамических моделей с панельными данными.  [c.360]


Как уже говорилось, панельные данные позволяют учитывать индивидуальные различия между экономическими единицами. Одна из возможных реализаций этой идеи выглядит следующим образом  [c.361]

При реализации этого метода могут возникнуть трудности. Во многих панельных данных число экономических единиц п обычно достаточно велико (несколько сотен или тысяч). Поэтому, применяя непосредственно метод наименьших квадратов к уравнению (13.7), при оценивании параметров можно столкнуться с вычислительными проблемами. К счастью, их можно преодолеть, если интересоваться только оценками параметров (3. Перейдем в уравнении (13.3) к средним по времени величинам  [c.364]

Сделаем одно важное замечание. В панельных данных среди независимых переменных хц могут быть такие, которые не меняются во времени для каждой экономической единицы. Например, при анализе заработной платы в число объясняющих факторов, как правило, включают пол и/или расовую принадлежность индивидуума. Модель с фиксированным эффектом не позволяет идентифицировать соответствующие таким переменным коэффициенты. Формально это объясняется тем, что в уравнении (13.9) один или несколько регрессоров равны нулю (или, что эквивалентно, матрица [D X] в уравнении (13.7) имеет неполный ранг), и, следовательно, применять метод наименьших квадратов нельзя.  [c.365]

При наличии панельных данных возникает несколько оценок вектора коэффициентов (3  [c.373]

Для стандартных моделей регрессии качество подгонки (при условии, что среди регрессоров есть константа) обычно измеряет коэффициент детерминации Д2 или скорректированный коэффициент детерминации -R . Напомним, что коэффициент детерминации интерпретируется как доля объясненной вариации зависимой переменной. Для моделей с панельными данными это понятие требует уточнения и модификации. Во-первых, внутригрупповая и межгрупповая модели имеют дело с разными вариациями зависимой переменной. Во-вторых, модель со случайным эффектом оценивается с помощью обобщенного метода наименьших квадратов, для которого коэффициент детерминации вообще не является адекватной мерой качества подгонки.  [c.373]

Следует сказать, что коэффициенты детерминации в моделях с панельными данными нецелесообразно использовать для того, чтобы определить, какой метод оценивания лучше. Так, если одну и ту же модель оценить, например, обычным методом наименьших квадратов и с помощью случайного эффекта, то объединенный коэффициент детерминации в первом случае всегда будет  [c.374]

При работе с реальными панельными данными всегда возникает проблема, какую модель (обычная регрессия, фиксированный или случайный эффект) следует выбрать. На содержательном уровне разницу между моделями можно интерпретировать следующим образом. Обычная модель предполагает, что у экономических единиц нет индивидуальных различий, и в некоторых простых ситуациях такое предположение оправданно. В модели с фиксированным эффектом считается, что каждая экономическая единица уникальна и не может рассматриваться как результат случайного выбора из некоторой генеральной совокупности. Такой подход вполне справедлив, когда речь идет о странах, крупных регионах, отраслях промышленности, больших предприятиях. Если же объекты попали в панель случайно в результате выборки из большой совокупности, то приемлемой является модель со случайным эффектом. Примером могут служить небольшие фирмы, домашние хозяйства, индивидуумы. Следует, однако, подчеркнуть, что и в подобных ситуациях (особенно для небольшого числа экономических единиц) может возникнуть вопрос о наличии индивидуальных различий, и тогда модель с фиксированным эффектом представляется более предпочтительной.  [c.375]

В предыдущих разделах мы достаточно подробно рассмотрели статические модели с панельными данными. Следующий естественный шаг — это изучение динамических моделей, основанных  [c.379]

Простейшая модель авторегрессии с панельными данными  [c.380]

В этом разделе мы кратко рассмотрим модели с панельными данными, в которых зависимая переменная является бинарной, т. е. принимающей значения 0 или 1. Модель бинарного выбора в случае панельных может быть описана аналогично тому, как это делается для пространственных данных (см. (12.4) и (12.5))  [c.386]

Классический пример такой ситуации, вошедший в большинство книг, посвященных панельным данным, привел (Ben-Porah, 1973). Предположим, что ежегодное исследование рынка труда показало, что процент работающих замужних женщин равен 50%. Как можно интерпретировать этот факт Возможны две крайние точки зрения. Согласно первой, полученный результат означает, что каждая замужняя женщина имеет шанс 50% работать в течение года. Согласно второй, результаты исследования показывают, что 50% всех замужних женщин работают полный рабочий день, а остальные 50% вообще не работают. Ясно, что прогноз состояния рынка труда будет существенно разный в зависимости от того, какая из ситуаций имеет место. Более или менее адекватное представление о реальном положении можно получить, если проследить историю некоторого числа индивидуумов в течение определенного периода времени, т. е. в рамках панельных данных.  [c.358]

На самом деле формулами (13.29), (13.30), (13.31) можно определить внутригрупповой, межгрупповой и объединенный коэффициенты детерминации для любой оценки /3 вектора параметров /3. При этом, естественно, считают, что yit = x itf3, yi = Т Z)Li У , У = rfr t=i Г=1 Vit- Именно такой подход реализован, например, в широко используемом эконометрическом пакете STATA при оценивании моделей с панельными данными вычисляются три коэффициента детерминации в соответствии с формулами (13.29), (13.30), (13.31) независимо от того, какой метод оценивания применяется.  [c.374]

В современных эконометрических компьютерных пакетах, как правило, реализованы процедуры работы с панельными данными и оценивание моделей по объединенным данным, с фиксированным или случайным эффектом. Отметим, в частности, уже упоминавшийся выше пакет STATA, где также можно легко осуществлять тест Хаусмана.  [c.379]

В динамических моделях с панельными данными так же, как и в обычных моделях временных рядов, возникают проблемы единичных корней, коинтеграции и т. п., но рассмотрение этих вопросов выходит за рамки нашей книги. Более подробное описание этой темы можно прочесть, например, в книгах (Greene, 1997), (Verbeek, 2000).  [c.385]

В динамических моделях с панельными данными регрессо-ры коррелированы с индивидуальными эффектами независимо от того, являются ли эти эффекты фиксированными или случайными.  [c.385]

Эконометрика начальный курс (2004) -- [ c.357 ]

Экономика для начинающих (2005) -- [ c.213 ]