Questions tagged «fixed-effects-model»

在最近的一篇论文中，我安装了一个三向固定效果模型。由于其中一个因素并不重要（p> 0.1），因此我将其删除，并使用两个固定的效果和一个相互作用对模型进行了重新拟合。 我刚刚让裁判发表评论，引用一下： 时间不是三方方差分析的重要因素，本身也不是汇集时间因素的充分标准：关于此问题的标准文本（Underwood 1997）认为，非显着影响的p值必须为大于0.25才能合并一个因子的治疗水平。作者应在此处给出相关的p值，并参考Underwood 1997证明其合并的合理性。 我的问题是： 我从未听说过0.25规则。还有其他人吗？我可以理解的是，如果p值接近临界值，则无法删除该因素，但是拥有“规则”似乎有点极端。 这位裁判指出，Underwood 1997是标准文本。真假的啊？我从来没听说过。标准文本是什么（是否存在这样的东西）？不幸的是，我无法访问1997年的Underwood。 对裁判的任何建议。 背景：本文已提交给非统计期刊。当拟合三向模型时，我检查了交互作用。

14 anova  fixed-effects-model 

在识别组中对因变量进行标准化是否有意义？ 以下工作文件（法律亚马逊地区的森林砍伐放缓；价格或政策？，pdf）使用标准化的因变量来分析巴西总体政策变化对森林砍伐的影响。 标准化按如下方式完成： Ynewit=Yit−Yi¯¯¯¯¯sd(Yit)Yitnew=Yit−Yi¯sd(Yit) Y^{new}_{it} = \frac{Y_{it} - \overline{Y_i}}{sd(Y_{it})} 作者认为，这是为了“考虑市政当局内森林砍伐增量的相对变化”。作者特此使用面板数据的有限元估计（第12页）。新法律出台后的每一年都应包括一个后政策假人。 如果以这种方式标准化因变量，应该如何解释系数？ 标准化不是非正统的吗，因为它为群体/市镇随时间变化较小的观测值提供了更高的价值？

13 regression  time-series  panel-data  standardization  fixed-effects-model 

考虑以下类型的线性不可观察效应模型： 其中，是不可观察但时不变的特征，是误差，和分别索引个人观察和时间。固定效应（FE）回归中的典型方法是通过单个假人（LSDV）/去义或通过首次求差来消除。 Ç ë 我吨Ç 我ÿ我Ť= X我Ťβ+ c一世+ e我Ťyit=Xitβ+ci+eity_{it} = X_{it}\beta + c_{i} + e_{it}CccËee一世iiŤttC一世cic_{i} 我一直想知道的是：何时真正被“修复”？C一世cic_{i} 这可能是一个琐碎的问题，但由于其背后的原因，让我举两个例子。 假设我们采访的人今天并要求她的收入，重量等，所以我们得到我们的。在接下来的10天里，我们去找那个人并且每天再次与她面谈，因此我们有关于她的面板数据。我们是否应将这10天未观察到的特征视为固定的，以确保它们将来会在其他某个时候发生变化？在10天之内，她的个人能力可能不会改变，但是随着年龄的增长，这种能力就会改变。或以一种更极端的方式问：如果我每天在10个小时内每小时采访一次此人，那么她的“未察觉”特征很可能会在“样本”中得到固定，但这有什么用呢？XXX 现在，假设我们从一个人的生命开始到生命终结，每个月都要进行约85年的采访。这段时间将保持什么固定状态？出生地，性别和眼睛颜色最有可能，但除此之外，我几乎没有别的想法。但更重要的是：如果某项特征在她的生活中的某个时刻发生了变化，但变化却无限小，该怎么办？然后，它不再是固定的效果，因为在实践中，此特性是准固定的，它已经改变了。 从统计角度来看，什么是固定效果是相对清楚的，但是从直觉角度来看，这是我很难理解的。也许其他人以前有过这些想法，并提出了关于何时固定效应确实是固定效应的争论。我非常感谢您对此主题的其他想法。

12 fixed-effects-model  philosophical 

我有一个包含8000个聚类和400万个观测值的数据集。不幸的是xtlogit，即使使用10％的子样本，我的统计软件Stata在使用其面板数据函数进行logistic回归时运行也相当缓慢。 但是，使用非面板logit功能时，结果会更快出现。因此，我可能会受益于使用logit修正后的数据来解决固定效应。 我相信该程序是“ Mundlak固定效应程序”的创造（Mundlak，Y。1978年。时间序列和横截面数据的合并。Econometrica，46（1），69-85）。 我在Antonakis，J.，Bendahan，S.，Jacquart，P.，＆Lalive，R.（2010）的论文中找到了对此过程的直观解释。关于提出因果主张：审查和建议。《领导力季刊》 21（6）。1086-1120。我引用： 解决遗漏固定效应问题并仍然包含2级变量的一种方法是将所有1级协变量的聚类均值包括在估计模型中（Mundlak，1978）。聚类平均值可以作为回归变量包括在内，也可以从1级协变量中减去（即聚类平均居中）。聚类均值在聚类内是不变的（并且在聚类之间有所不同），并且允许对一级参数进行一致的估计，就像已包含固定效应一样（参见Rabe-Hesketh和Skrondal，2008年）。 因此，聚类平均居中似乎是解决我的计算问题的理想选择。但是，这些论文似乎是针对线性回归（OLS）的。 这种聚类平均居中的方法是否也适用于“复制”固定效应二进制逻辑回归？ 一个更技术性的问题应该得出相同的答案：当数据集B是数据集A的均值中心版本时，数据集A是否xtlogit depvar indepvars, fe等于logit depvar indepvars数据集B？ 我在这种聚类均值居中发现的另一个困难是如何应对假人。由于虚拟变量为0或1，它们在随机效应和固定效应回归中是否相同？他们不应该“居中”吗？

12 logistic  categorical-data  stata  fixed-effects-model 

注意：这个问题是一个转贴，因为我的上一个问题出于法律原因不得不删除。 在比较SAS的PROC MIXED与R中lme的nlme软件包的功能时，我偶然发现了一些相当混乱的差异。更具体地说，不同测试的自由度在PROC MIXED和之间有所不同lme，我想知道为什么。 从以下数据集（以下给出的R代码）开始： ind：指示进行测量的个人的因子 fac：进行测量的器官 trt：表示治疗的因素 y：一些连续响应变量 这个想法是建立以下简单模型： y ~ trt + (ind)：ind作为随机因子 y ~ trt + (fac(ind))：fac嵌套在ind作为随机因子 需要注意的是最后一个模型应引起奇异性，因为只有1的值y对每一个组合ind和fac。 第一模型 在SAS中，我建立以下模型： PROC MIXED data=Data; CLASS ind fac trt; MODEL y = trt /s; RANDOM ind /s; run; 根据教程，R中使用的相同模型nlme应为： > require(nlme) > options(contrasts=c(factor="contr.SAS",ordered="contr.poly")) > m2<-lme(y~trt,random=~1|ind,data=Data) 两种模型对系数及其SE均给出相同的估计，但是在对F的影响进行F检验时trt，它们使用的自由度不同： SAS : Type …

12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining 

用单个级别面板数据指定差异模型中差异的正确方法是什么？ 这里是设置：假设我在城市中嵌入了多年的个人级别面板数据，并且处理方式在城市年份级别上有所不同。形式上，让为个别的结果在城市和年和对是否干预影响城市的虚拟在一年。典型的DiD估算器（例如Bertrand等人（2004，第250页）中概述的估算器）基于简单的OLS模型，其中具有针对城市和年份的固定影响项：我小号吨d 小号吨小号吨ÿ我小号Ťÿ一世sŤy_{ist}一世一世isssŤŤtd小号ŤdsŤD_{st}sssŤŤt yist=As+Bt+cXist+βDst+ϵistÿ一世sŤ=一种s+乙Ť+CX一世sŤ+βdsŤ+ϵ一世sŤ y_{ist} = A_{s} + B_t + cX_{ist} + \beta D_{st} + \epsilon_{ist} 但是，该估计量是否忽略了个人层面的面板结构（即，对城市中每个人的多次观察）？用个体水平的固定效应项扩展该模型是否有意义？许多DiD应用程序使用重复的横截面数据，而没有单独级别的面板数据。Si小号一世S_i Bertrand，Marianne，Esther Duflo和Sendhil Mullainathan。2004年。“我们应该相信差异差异估计有多少？” 经济学季刊119（1）：249–75。

11 econometrics  panel-data  fixed-effects-model  difference-in-difference 

来自维基百科 关于个体特定效应，有两个共同的假设，即随机效应假设和固定效应假设。随机效应假设（在随机效应模型中做出）是各个特定效应与自变量不相关。固定效应假设是个体特定效应与自变量相关。如果随机效应假设成立，则随机效应模型比固定效应模型更有效。但是，如果该假设不成立（即，如果Durbin-Watson检验失败），则随机效应模型将不一致。 我想知道为什么随机效果模型要求随机效果与输入变量不相关，而固定效果模型允许效果与输入变量相关？ 谢谢！

11 random-effects-model  fixed-effects-model 

我使用的是固定效应模型为我的面板数据（9岁，1000+ OBS），由于我的豪斯曼测试指示的值。当我为公司所包括的行业添加虚拟变量时，它们总是被忽略。我知道不同行业群体之间的DV（披露指数）差异很大。但是在使用Stata时，我无法在模型中使用它们。（Pr &gt; χ2）&lt; 0.05（P[R&gt;χ2）&lt;0.05(Pr>\chi^2)<0.05 有什么建议如何解决这个问题？又为什么省略它们？

10 stata  panel-data  fixed-effects-model  hausman 

在一项纵向研究中，在时间点上重复测量了单位结果，总共有固定的测量时机（固定=单位测量同时进行）。我吨米Yitÿ一世ŤY_{it}i一世itŤtm米m 将单位随机分配给治疗或对照组。我想估计和测试平均治疗效果，即其中期望是跨时间和跨个人的。为此，我考虑使用固定时间的多层次（混合效果）模型：G = 0 A T E = E （Y | G = 1 ）− E （Y | G = 0 ），G=1G=1个G=1G=0G=0G=0ATE=E(Y|G=1)−E(Y|G=0),ATE=E(Y|G=1)−E(Y|G=0),ATE=E(Y | G=1) - E(Y | G=0), Yit=α+βGi+u0i+eitYit=α+βGi+u0i+eitY_{it} = \alpha + \beta G_i + u_{0i} + e_{it} 与截距，的，横跨单元的无规截距，和残留。β 甲Ť é ù ëαα\alphaββ\betaATEATEATEuuueee 现在我正在考虑替代模型 Yit=β~Gi+∑j=1mκjdij+∑j=1mγjdijGi+u~0i+e~itYit=β~Gi+∑j=1mκjdiĴ+∑Ĵ=1个米γĴd一世ĴG一世+ü〜0一世+Ë〜一世ŤY_{it} = \tilde{\beta} G_i + \sum_{j=1}^m …

9 mixed-model  panel-data  multilevel-analysis  random-effects-model  fixed-effects-model