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
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
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