附带参数问题


15

我总是在努力获取偶发参数问题的真正实质。我读过几次,非线性面板数据模型的固定效果估计量可能由于“众所周知的”附带参数问题而严重偏倚。

当我要求对此问题进行清晰的解释时,典型的答案是:假设面板数据在T个时间段内有N个人。如果T是固定的,则随着N的增长,协变量估计将变得有偏差。发生这种情况的原因在于,随着N的增加,干扰参数的数量会快速增长。

我将不胜感激

  • 更精确但仍然简单的解释(如果可能)
  • 和/或我可以使用R或Stata进行计算的具体示例。

3
这不足以给出答案。附带参数问题可能发生在非线性模型中,与线性回归不同,非线性模型不具有无偏估计量的性质。一个流行的例子是probit / logit。这些模型是一致的估计量,这意味着随着观察次数与参数数目之比的增加,随着标准误差任意变小,参数估计将收敛到其真实值。固定效应的问题在于参数的数量随观察数量的增加而增加。
Zachary Blumenfeld 2015年

2
因此,随着样本量的增加,参数估计值永远无法收敛到其真实值。因此,参数估计严重不可靠。
Zachary Blumenfeld 2015年

感谢您的澄清。我想我现在可以更好地理解问题了。因此,例如,如果我的面板是T = 8且N = 2000,则可以在概率/对数估计中添加T固定效应,并获得可靠的估计。否则,使用N固定效果,我将获得不可靠的效果。它是否正确?
emeryville

2
这里是一个博客条目示出的附带参数问题的Logit和概率与作为R的例子:econometricsbysimulation.com/2013/12/...
阿恩纳斯Warnke

Answers:


21

在类型有限元模型中, 是附带参数,因为从理论上讲,它是次要的。从统计上讲,通常是重要的参数。但从本质上讲,重要,因为它提供了有关各个截距的有用信息。 α β α

yit=αi+βXit+uit
αβα

大多数面板较短,即,T相对较小。为了说明附带参数问题,为简单起见,我将忽略。所以模型现在是: 因此,通过使用均值偏差方法,我们具有这就是我们获取。让我们看一下的估算值: ÿ = α + ù βÙ = ÿ - ˉ ÿ α σ 2 σ 2 = 1

yit=αi+uituitiiN(0,σ2)
u^it=yity¯iασ2
σ^2=1NTit(yity¯i)2=σ2χN(T1)2NT=σ2N(T1)NT=σ2T1T

您可以看到,如果T为“大”,则消失,但是,如果T为小(大多数面板中都是这种情况),则的估计值会不一致。这使得FE估计量不一致。 σ2T1Tσ2

其原因通常是一致的,因为通常,N是的确足够大,因此具有期望的渐近要求。β

请注意,例如在空间面板中,情况恰恰相反-T通常被认为足够大,而N是固定的。因此渐近性来自T。因此在空间面板中,您需要一个大T!

希望它能有所帮助。


您能否详细说明一下变成 吗?σ2χ 2 Ñ Ť - 1 1NTit(yity¯i)2σ2χN(T1)2NT
Mario GS

1
@Mario GS:正态随机变量的平方和为卡方分布
Corel
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.