Die Anwendung statistischer Methoden der wirtschaftlichen Probleme
Ökonometrie Studenten schätzen immer eine Überprüfung der statistischen Konzepte, die am wichtigsten sind mit Ökonometrie Erfolg. Insbesondere müssen Sie mit Wahrscheinlichkeitsverteilungen, die Berechnung der deskriptiven Statistik und Hypothesentests bequem zu sein.
Menu
Ihre Fähigkeit, genau die wirtschaftlichen Beziehungen zu quantifizieren, hängt nicht nur auf dem ökonometrischen Modell-Building-Fähigkeiten, sondern auch auf die Qualität der Daten, die Sie für die Analyse und Ihre Fähigkeit, mit den entsprechenden Strategien für die Schätzung Modelle zu übernehmen, die wahrscheinlich eine statistische Annahme zu verletzen . Die Daten müssen von einem zuverlässigen Erhebungsprozess abgeleitet werden, aber Sie sollten sich auch bewusst von zusätzlichen Beschränkungen oder Herausforderungen.
Sie können umfassen, sind aber nicht beschränkt auf
Die Aggregation von Daten: Informationen, die in einem Haushalt, individuell, oder Firmenebene haben ihren Ursprung möglicherweise in einer Stadt, Landkreis, Bundesland oder Länderebene in Ihrer Daten gemessen wird.
Statistisch gesehen korrelierten, aber wirtschaftlich irrelevant Variablen: Einige Datensätze enthalten eine Fülle von Informationen, aber viele der Variablen kann nichts mit der wirtschaftlichen Frage zu tun, Sie hoffen, zu adressieren.
Qualitative Daten: Rich-Datensätze enthalten in der Regel qualitative Variablen (geographische Informationen, Rasse, und so weiter), aber diese Informationen erfordert eine besondere Behandlung, bevor Sie es in einem ökonometrischen Modell verwenden können.
Klassische lineare Regressionsmodell (CLRM) Annahme Scheitern: Die Legitimität des ökonometrischen Ansatz beruht immer auf einer Reihe von statistischen Annahmen, aber Sie sind wahrscheinlich, dass zumindest eine dieser Annahmen zu finden nicht halten (was bedeutet es für Ihre Daten nicht wahr ist).
Ökonometriker unterscheiden sich von den Statistikern durch Verstöße gegen die statistische Annahmen betont, dass für selbstverständlich oft getroffen werden. Die am weitesten verbreitete Technik für eine ökonometrische Modell Schätzung ist gewöhnlichen kleinsten Quadrate (OLS). eine Reihe von CLRM Annahmen müssen jedoch halten, um für die OLS-Technik zuverlässige Schätzungen. In der Praxis, dass die Annahmen, höchstwahrscheinlich zum Scheitern verurteilt sind, hängt von Ihrer Daten und spezifische Anwendung.
Erkennen der Bedeutung der Datentyp, der Frequenz und Aggregations
Die Daten, die Sie zu schätzen, verwenden und testen Sie Ihre ökonometrischen Modells wird in eine von drei möglichen Arten der Regel klassifiziert:
Querschnitt: Diese Art von Daten besteht aus Messungen für einzelne Beobachtungen (Personen, Haushalte, Unternehmen, Landkreise, Staaten, Länder oder was auch immer) zu einem bestimmten Zeitpunkt.
Zeitfolgen: Diese Art von Daten besteht aus Messungen an einem oder mehreren Variablen (wie Bruttoinlandsprodukt, Zinsen oder Arbeitslosigkeit) im Laufe der Zeit in einem gegebenen Raum (wie bei einem bestimmten Land oder Staat).
Tafel oder Längs: Diese Art von Daten besteht aus einer Zeitreihe für jede Querschnittseinheit in der Probe. Die Daten enthalten Messungen für einzelne Beobachtungen (Personen, Haushalte, Unternehmen, Landkreise, Staaten, Länder, usw.) über einen bestimmten Zeitraum (Tage, Monate, Quartale oder Jahre).
Die Art der Daten verwenden, die Sie beeinflussen können, wie Sie Ihre ökonometrischen Modells abzuschätzen. Insbesondere sind in der Regel spezielle Techniken erforderlich, um mit Zeitreihen und Paneldaten befassen.
Sie können gemeinsame ökonometrische Probleme zu antizipieren, da bestimmte CLRM Annahme Ausfälle eher mit bestimmten Arten von Daten sind. Zwei typische Fälle von CLRM Annahme Ausfälle beinhalten Heteroskedastie (die häufig in Modellen erfolgt unter Verwendung Querschnittsdaten) und Autokorrelation (die Modelle unter Verwendung von Zeitreihendaten vorhanden sein neigt).
Neben der Art der Daten, zu wissen, mit dem Sie arbeiten, stellen Sie sicher, dass Sie immer über die folgenden Informationen:
Das Level von Anhäufung bei der Messung der Variablen verwendet: Die Aggregationsebene bezieht sich auf die Einheit der Analyse, wenn Informationen für die Daten erfasst werden. Mit anderen Worten können die variablen Messungen auf einer niedrigeren Aggregationsebene stammen (wie ein Individuum, Haushalt oder Firma) oder auf einer höheren Aggregationsebene (wie eine Stadt, Landkreis oder Staat).
Das Frequenz mit dem die Daten erfasst: Die Frequenz bezieht sich auf die Rate, mit der Messungen erhalten werden. Zeitreihendaten können bei einer höheren Frequenz (wie stündlich, täglich oder wöchentlich) oder bei niedriger Frequenz (wie monatlich, vierteljährlich oder jährlich) erfasst werden.
Alle Daten in der Welt wird nicht zulassen, dass Sie überzeugende Ergebnisse zu erzielen, wenn die Aggregationsebene oder Frequenz nicht geeignet für Ihr Problem. Zum Beispiel, wenn Sie bei der Bestimmung interessiert sind, wie die Ausgaben pro Schüler akademische Leistung betrifft, state-Level-Daten werden wahrscheinlich nicht geeignet, da die Ausgaben und Schüler Merkmale so viel Unterschiede zwischen den Städten innerhalb von Staaten, die Ihre Ergebnisse sind wahrscheinlich irreführend.
Die Vermeidung der Data-Mining-Falle
Wie Sie mehr Daten-Analyse-Tools zu erwerben, können Sie geneigt sein, die Daten für die Beziehungen zwischen Variablen zu suchen. Sie können Ihr Wissen über die Statistiken zu finden Modelle verwenden, die ganz gut Ihre Daten passen. Allerdings ist diese Praxis bekannt als Data Mining, und Sie wollen nicht von ihm verführt zu werden!
Obwohl Data-Mining in Bereichen nützlich sein kann, wenn der zugrunde liegende Mechanismus, um die Ergebnisse zu erzeugen ist nicht wichtig, die meisten Ökonomen diesen Ansatz nicht positiv betrachten. In der Ökonometrie, ein Modell bauen, das Sinn und reproduzierbar von anderen macht, ist viel wichtiger als für ein Modell zu suchen, die einen perfekten Sitz hat.
Die Einbeziehung quantitative und qualitative Informationen
Wirtschaftliche Ergebnisse kann sowohl quantitative (numerisch) und qualitativer (nicht numerisch) Faktoren beeinflusst werden. Im Allgemeinen quantitative Informationen hat eine einfache Anwendung und Interpretation in ökonometrischen Modellen.
Qualitative Variablen werden mit den Eigenschaften zugeordnet, die keine natürliche numerische Darstellung haben, obwohl Ihre Rohdaten qualitative Merkmale mit einem numerischen Wert codieren können. Zum Beispiel kann ein US-Region mit einem 1 West, 2 für Süd, 3 für Midwest und 4 für Nordost-codiert werden. Jedoch ist die Zuordnung der spezifischen Werte willkürlich und trägt keine besondere Bedeutung.
Um die Informationen in der qualitativen Variablen enthalten zu verwenden, werden Sie in der Regel wandeln sie in Dummy-Variablen - dichotome Variablen, die auf einen Wert von 1 nehmen, wenn ein bestimmtes Merkmal sonst vorhanden und 0 ist.
Manchmal ist das wirtschaftliche Ergebnis selbst qualitative oder enthält eingeschränkte Werte. Zum Beispiel könnte der abhängigen Variablen zu messen, ob eine Firma ausfällt (in Konkurs geht) in einem bestimmten Jahr verschiedene feste Eigenschaften als unabhängige Variable verwendet wird. Obwohl Standardtechniken mit manchmal akzeptabel sind qualitative und nicht kontinuierliche abhängige Variablen, in der Regel führen sie in Annahme Verletzungen und erfordern eine alternative ökonometrische Ansatz.