Modèle linéaire à effet fixe

By February 15, 2019 Uncategorized No Comments

Disons que vous avez un modèle avec un prédicteur catégorique, qui divise vos observations en groupes en fonction des valeurs de catégorie. * les coefficients de modèle, ou «effets», associés à ce prédicteur peuvent être soit fixe soit aléatoire. La différence pratique la plus importante entre les deux est ceci: considérez un modèle de données de panneau linéaire: $ $ y_ {IT} = x_ {IT} delta + alpha_i + eta_{IT}, $ $ le modèle de composant d`erreur soi-disant. Ici, $ alpha_i $ est ce qu`on appelle parfois l`hétérogénéité spécifique à chaque individu, le composant d`erreur qui est constant au fil du temps. L`autre composant d`erreur $ eta_{it} $ est «idiosyncrasique», variant à la fois sur les unités et au fil du temps. Nous pouvons tester si un modèle d`effets fixes ou aléatoires est approprié à l`aide d`un test Durbin – Wu – Hausman. L`estimation d`un modèle de régression linéaire des moindres carrés avec des effets fixes est une tâche courante dans l`économétrie appliquée, en particulier avec les données de panneau. Par exemple, on peut avoir un panel de pays et vouloir contrôler les facteurs de pays fixes. Dans ce cas, le chercheur inclura effectivement cet identificateur fixe comme variable de facteur, puis procède à l`estimation du modèle qui inclut autant de variables factices (moins une si une interception est incluse dans l`équation de modélisation), car il y a des pays.

De toute évidence, cette approche est problématique en matière de calcul lorsqu`il existe de nombreux facteurs fixes. Dans notre exemple simple, un pays supplémentaire ajoutera une colonne la meilleure partie est que les modèles d`effets aléatoires et mixtes gèrent automatiquement (4), l`estimation de la variabilité, pour tous les effets aléatoires dans le modèle. C`est plus difficile qu`il n`y paraît à première vue: vous pouvez essayer la variance de la moyenne de l`échantillon pour chaque ZIP, mais cela sera biaisé, car une partie de la variance entre les estimations pour différents ZIPs est juste la variance d`échantillonnage. Dans un modèle d`effets aléatoires, le processus d`inférence représente la variance d`échantillonnage et réduit l`estimation de variance en conséquence. Il existe deux hypothèses communes sur l`effet spécifique individuel, l`hypothèse des effets aléatoires et l`hypothèse des effets fixes. L`hypothèse d`effets aléatoires (faite dans un modèle d`effets aléatoires) est que les effets spécifiques individuels sont non corrélés avec les variables indépendantes.