(Stata13): Как оценить двухшаговую разницу GMM

Это видео упрощает понимание техники обобщенного метода моментов (ОММ) таким образом, что его смогут понять даже новички. Серия видео будет содержать восемь других руководств: (1) Как оценить одношаговую разностную ОММ; (2) Как оценить двухшаговую разностную ОММ; (3) Как оценить одношаговую системную ОММ; (4) Как оценить двухшаговую системную ОММ; (5) Как оценить выбор между разностной и системной ОММ; (6) Как интерпретировать выходные данные ОММ; (7) Как сгенерировать долгосрочные коэффициенты ОММ; и (8) Как построить график фиктивных переменных года в разностной и системной ОММ. Итак, что же такое ОММ? Универсальный метод оценки параметров в статистических моделях; Использует условия моментов, которые являются функциями параметров модели и данных, так что их ожидание равно нулю при истинных значениях параметров; это динамическая панельная оценка. А что такое панельные данные? Это также называется продольными данными; многомерными данными, включающими измерения с течением времени; содержат наблюдения за несколькими явлениями, полученными за несколько периодов времени для одних и тех же фирм, отдельных лиц, стран и т. д. Посмотрите мое видео «Советы по построению панельных данных» для получения дополнительной информации.

Зачем использовать GMM: он контролирует эндогенность лагированной зависимой переменной в динамической панельной модели — когда есть корреляция между объясняющей переменной и ошибкой в ​​модели; смещение пропущенных переменных; ненаблюдаемую гетерогенность панели; и ошибки измерения. Как выбрать между разностным или системным GMM? Практическое правило, данное Бондом (2001), следующее: (1) Динамическая модель должна быть первоначально оценена с помощью объединенного МНК и подхода LSDV (т. е. с использованием подхода «внутри» или подхода с фиксированными эффектами); (2) объединенную оценку МНК для ɸ следует считать оценкой верхней границы, в то время как соответствующую оценку фиксированных эффектов следует считать оценкой нижней границы; (3) Если полученная оценка разности GMM близка к оценке фиксированных эффектов или ниже ее, это говорит о том, что предыдущая оценка смещена вниз из-за слабого инструментария, и вместо нее следует предпочесть системную оценку GMM.

Два диагностических теста GMM. Первый — это тест на валидность инструментов, выполняемый с использованием J-теста Хансена (1982) и теста на ограничения сверхидентификации Саргана (1985): проверяет нулевые гипотезы об общей валидности используемых инструментов. Неотвержение этих нулевых гипотез подтверждает правильность выбора инструментов. Второй тест — это тест на автокорреляцию/последовательную корреляцию члена ошибки. Он проверяет нулевую гипотезу о том, что член ошибки разности имеет последовательную корреляцию первого и второго порядков. Неотвержение нулевой гипотезы об отсутствии последовательной корреляции второго порядка означает, что исходный член ошибки не имеет последовательной корреляции, а условия моментов заданы правильно. Проблемы оценки GMM: сложны и поэтому могут легко генерировать неверные оценки; коды GMM можно легко манипулировать для получения различных результатов; Не учитывает перекрестную зависимость (CSD); Не учитывает структурные разрывы; Не рекомендуется для панели с очень длинными временными рядами (используйте оценки PMG, MG и DFE); Слишком много инструментов ослабляют тест Саргана/Хансена и приводят к неправдоподобным p-значениям; Результаты смещены, если инструментов больше, чем отдельных единиц в панели; Проблема того, сколько инструментов «слишком много». В литературе по этому поводу пока нет ясности; данные моделирования Монте-Карло показывают, что сокращение количества чрезмерно идентифицирующих инструментов вдвое может снизить смещение на 40%. Ссылки: Roodman D. (2009): How To Do xtabond2: An Introduction to «Difference» and «System» GMM in Stata; Roodman D. (2014): Xtabond2: Stata Module to Extend xtabond Dynamic Panel Data Estimator. Statistical Software Components; Adeleye et al., (2017): Роль институтов в связке финансов и неравенства в странах Африки южнее Сахары. Журнал контекстуальной экономики. 137 (2017), 173–192; Mileva, E. (2007): Использование динамических панельных GMM-оценщиков Ареллано – Бонда в Stata; Ejemeyovwi, J. O. и Osabuohien, E. S. (2018): Исследование значимости внедрения мобильных технологий для инклюзивного роста в Западной Африке. Contemporary Social Science. doi:10.1080/21582041.2018.1503320; Asteriou et al., (2014): Глобализация и неравенство доходов: эконометрический подход на основе панельных данных для стран ЕС-27. Экономическое моделирование. 36, 592-599

Следите за новостями и обновлениями от CrunchEconometrix:
Сайт: http://cruncheconometrix.com.ng
Блог: https://cruncheconometrix.blogspot.co...
Форум: http://cruncheconometrix.com.ng/blog/...
Facebook:   / cruncheconometrix  
Пользовательская ссылка на YouTube:    / cruncheconometrix  
Twitter:   / crunchmetrix  
Reddit:   / user.  .