Paneldaten: Gepoolte OLS vs. RE vs. FE-Effekte

Wir hatten einige Diskussionen über die Nützlichkeit von Pooled-OLS- und RE-Schätzern im Vergleich zu FE.

Soweit ich das beurteilen kann, handelt es sich bei der Pooled OLS-Schätzung lediglich um eine OLS-Technik, die mit Panel-Daten ausgeführt wird. Daher werden alle individuell spezifischen Effekte vollständig ignoriert. Aus diesem Grund werden viele Grundannahmen wie die Orthogonalität des Fehlerterms verletzt.

RE löst dieses Problem, indem in Ihrem Modell ein einzelner spezifischer Abschnitt implementiert wird, der als zufällig angenommen wird. Dies impliziert die vollständige Exogenität Ihres Modells. Dies kann mit dem Hausmann-Test getestet werden.

Da fast jedes Modell einige Endogenitätsprobleme aufweist, ist die FE-Schätzung die beste Wahl und bietet Ihnen die besten konsistenten Schätzungen, aber die einzelnen spezifischen Parameter verschwinden.

Die Frage, die ich mir stelle, ist, wann es tatsächlich Sinn macht, Pooled OLS oder Random-Effects zu verwenden. Pooled OLS verstößt gegen so viele Annahmen und ist daher völlig unsinnig. Auch die starke Exogenität des RE-Estimators wird grundsätzlich nie angegeben. Wann kann er also tatsächlich nützlich sein?

Außerdem kann bei allen Modellen die Autokorrelation nicht berücksichtigt werden?

— Kosta S.
quelle

Versuchen Sie, einen Blick auf den Ansatz von Mundlak-Chamberlain zu werfen. Google korrelierte zufällige Effekte oder Mundlak-Ansatz. Sie ermöglichen es Ihnen, die Annahme nicht korrelierter zufälliger Effekte zu lockern. Ich werde diesen Kommentar als richtige Antwort erweitern, wenn ich Zeit habe (Freitagabend hier, wissen Sie).

— Kenji

Um dem Kommentar von Kenji nachzugehen: Modelle mit zufälligen Effekten sind flexibler und das Problem der Endogenität kann gelöst werden, indem der Mittelwert der zeitvariablen Kovariate als Prädiktor in das Modell aufgenommen wird. Siehe: Bell, A. & Jones, K. (2015). Feste Effekte erklären: Modellierung zufälliger Effekte von Zeitreihenquerschnitts- und Paneldaten. Politikwissenschaftliche Forschung und Methoden, 3 (1), 133-153.

— Wolfgang

Erstens haben Sie Recht, die gepoolte OLS-Schätzung ist einfach eine OLS-Technik, die mit Panel-Daten ausgeführt wird .

$H_0$ $\iff$ $H_0$

Drittens verschwinden in einer FE-Spezifikation einzelne spezifische Parameter nicht und können wieder hinzugefügt werden (mit identischen Koeffizienten, aber Standardfehlern, die angepasst werden müssen). Dies ist eigentlich alles, worum es beim LSDV-Modell geht (mit einem zusätzlichen Durchschnittswert und innerhalb von Durchschnittswerten).

Viertens , um mit Autokorrelation (von Fehlern) umzugehen, können GLS- ähnliche Transformationen theoretisch hilfreich sein, in der Praxis geht es jedoch nur um Heteroskedastizität ( WLS , FGLS ). Beachten Sie jedoch, dass Sie abhängig von dem Raum (zeitlich, geografisch, soziologisch usw.), in dem Sie annehmen, dass die Autokorrelation funktioniert, deren Struktur vertreten und schließlich eine GLS-ähnliche Transformation durchführen können, z. B. ein räumliches Panel.

— bleib am Leben
quelle