Dynamic panel data moving average

Stata: Analisis Data dan Perangkat Lunak Statistik Nicholas J. Cox, Universitas Durham, Inggris Christopher Baum, Boston College egen, ma () dan keterbatasannya Statarsquos perintah yang paling jelas untuk menghitung moving averages adalah fungsi ma () egen. Dengan ekspresi, itu menciptakan rata-rata pergerakkan rata-rata ekspresi itu. Secara default, diambil sebagai 3. pasti aneh. Namun, seperti yang ditunjukkan oleh manual entry, egen, ma () mungkin tidak digabungkan dengan varlist:. Dan, untuk alasan itu saja, itu tidak berlaku untuk data panel. Bagaimanapun, itu berdiri di luar serangkaian perintah yang secara khusus ditulis untuk seri waktu melihat deret waktu untuk rinciannya. Pendekatan alternatif Untuk menghitung rata-rata bergerak untuk data panel, setidaknya ada dua pilihan. Keduanya bergantung pada dataset yang sebelumnya sudah tsset. Ini sangat layak dilakukan: Anda tidak hanya bisa menyelamatkan diri Anda berulang kali menentukan variabel panel dan variabel waktu, namun Stata berperilaku dengan cerdas mengingat adanya kesenjangan dalam data. 1. Tulis definisi Anda sendiri dengan menggunakan Menggunakan operator time-series seperti L. dan F.. Berikan definisi rata-rata bergerak sebagai argumen untuk menghasilkan pernyataan. Jika Anda melakukan ini, Anda tentu saja tidak terbatas pada rata-rata bergerak rata tertimbang (tak tertimbang) yang dihitung oleh egen, ma (). Misalnya, rata-rata bergerak tiga periode tertimbang rata-rata akan diberikan oleh dan beberapa bobot dapat dengan mudah ditentukan: Anda tentu saja dapat menentukan ekspresi seperti log (myvar), bukan nama variabel seperti myvar. Salah satu keuntungan besar dari pendekatan ini adalah bahwa Stata secara otomatis melakukan hal yang benar untuk data panel: nilai-nilai terdepan dan tertinggal ada di dalam panel, seperti logika yang menentukannya. Kelemahan yang paling menonjol adalah bahwa command line bisa agak lama jika moving average melibatkan beberapa istilah. Contoh lainnya adalah moving average satu sisi yang hanya berdasarkan nilai sebelumnya. Ini bisa berguna untuk menghasilkan harapan adaptif tentang variabel apa yang akan didasarkan semata-mata berdasarkan informasi sampai saat ini: perkiraan seseorang terhadap periode saat ini berdasarkan empat nilai terakhir, dengan menggunakan skema bobot tetap (A 4-period lag mungkin Terutama yang biasa digunakan dengan kuartalan kuartalan.) 2. Gunakan egen, filter () dari SSC Gunakan filter fungsi egen yang ditulis pengguna () dari paket egenmore pada SSC. Di Stata 7 (diperbarui setelah 14 November 2001), Anda dapat menginstal paket ini setelah beberapa menit kemudian membantu menjelaskan rincian tentang filter (). Dua contoh di atas akan diberikan (Dalam perbandingan ini, pendekatan menghasilkan mungkin lebih transparan, tapi kita akan melihat contoh yang berlawanan dalam sekejap.) Kelemahannya adalah numlist. Mengarah ke kelambatan yang negatif: dalam kasus ini -11 mengembang menjadi -1 0 1 atau memimpin 1, lag 0, lag 1. Fibre coef, numlist lainnya, perbanyak item tertinggal atau barang yang sesuai: dalam hal ini item tersebut adalah F1.myvar . Myvar dan L1.myvar. Efek dari pilihan normalisasi adalah untuk mengukur setiap koefisien dengan jumlah koefisien sehingga coef (1 1 1) menormalkan setara dengan koefisien 13 13 13 dan coef (1 2 1) normalisasi sama dengan koefisien 14 12 14 Anda harus menentukan tidak hanya kelambatan tapi juga koefisiennya. Karena egen, ma () menyediakan kasus yang sama berbobot, alasan utama untuk egen, filter () adalah untuk mendukung kasus bobot yang tidak sama, yang mana Anda harus menentukan koefisiennya. Bisa juga dikatakan bahwa mewajibkan pengguna untuk menentukan koefisien adalah sedikit tekanan tambahan pada mereka untuk memikirkan koefisien apa yang mereka inginkan. Pembenaran utama untuk bobot yang sama adalah, kami kira, kesederhanaan, namun bobot yang sama memiliki sifat domain frekuensi yang buruk, untuk menyebutkan hanya satu pertimbangan. Contoh ketiga di atas bisa jadi salah satunya sama rumitnya dengan pendekatan menghasilkan. Ada kasus di mana egen, filter () memberikan formulasi yang lebih sederhana daripada menghasilkan. Jika Anda ingin filter binomial sembilan-istilah, yang menurut para ahli iklim berguna, maka mungkin terlihat kurang mengerikan daripada, dan lebih mudah untuk mendapatkan yang benar daripada, Sama seperti dengan pendekatan menghasilkan, egen, filter () bekerja dengan baik dengan data panel. Sebenarnya, seperti yang dinyatakan di atas, ini tergantung pada dataset yang sebelumnya telah di-download. Tip grafis Setelah menghitung rata-rata bergerak Anda, Anda mungkin ingin melihat grafik. Perintah yang ditulis pengguna tsgraph cerdas tentang dataset tsset. Instal di Stata 7 yang up-to-date oleh ssc inst tsgraph. Bagaimana dengan subsetting dengan jika None dari contoh di atas menggunakan jika pembatasan. Sebenarnya egen, ma () tidak akan mengizinkan jika ditentukan. Terkadang orang ingin menggunakan jika saat menghitung moving averages, namun penggunaannya sedikit lebih rumit dari biasanya. Apa yang akan Anda harapkan dari sebuah moving average yang dihitung dengan if. Mari kita kenali dua kemungkinan: Penafsiran yang lemah: Saya tidak ingin melihat hasil apapun untuk pengamatan yang dikecualikan. Interpretasi yang kuat: Saya bahkan tidak ingin Anda menggunakan nilai untuk pengamatan yang dikecualikan. Inilah contoh konkretnya. Misalkan sebagai konsekuensi dari beberapa jika kondisi, pengamatan 1-42 dimasukkan tetapi tidak diobservasi. Tapi rata-rata bergerak untuk 42 akan bergantung, antara lain, pada nilai untuk pengamatan 43 jika rata-rata melebar ke belakang dan ke depan dan panjangnya minimal 3, dan juga akan bergantung pada beberapa pengamatan dan seterusnya dalam beberapa situasi. Dugaan kami adalah kebanyakan orang akan mengikuti interpretasi yang lemah, tapi apakah itu benar, egen, filter () tidak mendukung jika keduanya. Anda selalu bisa mengabaikan apa yang tidak Anda inginkan atau bahkan menetapkan nilai yang tidak diinginkan hilang setelahnya dengan menggunakan ganti. Catatan tentang hasil yang hilang pada ujung seri Karena rata-rata bergerak adalah fungsi lag dan lead, egen, ma () menghasilkan missing dimana lag dan lead tidak ada, pada awal dan akhir rangkaian. Pilihan nomiss memaksa perhitungan rata-rata bergerak pendek yang tidak dipalsukan untuk ekornya. Sebaliknya, tidak menghasilkan atau egen, filter () tidak, atau memungkinkan, sesuatu yang istimewa untuk menghindari hasil yang hilang. Jika salah satu nilai yang dibutuhkan untuk perhitungan hilang, maka hasilnya hilang. Terserah kepada pengguna untuk memutuskan apakah operasi pembedahan diperlukan untuk observasi semacam itu, mungkin setelah melihat dataset dan mempertimbangkan ilmu pengetahuan yang mendasarinya yang dapat dibawa untuk dibawa. Stata: Analisis Data dan Perangkat Lunak Statistik Dynamic panel-data (DPD) Analisis Stata memiliki seperangkat alat untuk analisis data panel dinamis: xtabond menerapkan estimator Arellano dan Bond, yang menggunakan kondisi momen dimana kelambatan variabel dependen dan perbedaan pertama dari variabel eksogen adalah instrumen untuk persamaan differensial pertama. Xtdpdsys menerapkan estimator sistem Arellano dan BoverBlundell dan Bond, yang menggunakan kondisi momen momen dan kondisi momen di mana perbedaan pertama yang tertinggal dari variabel dependen adalah instrumen untuk tingkat persamaan. Xtdpd Untuk pengguna tingkat lanjut, adalah alternatif yang lebih fleksibel yang dapat menyesuaikan model dengan korelasi rata-rata bergerak berurutan rendah dalam kesalahan istimewa dan variabel yang telah ditentukan sebelumnya dengan struktur yang lebih rumit daripada yang diizinkan dengan xtabond dan xtdpdsys. Alat postestimasi memungkinkan Anda menguji korelasi serial pada residu pertama yang berbeda dan menguji validitas batasan overidentifying. Membangun karya Layard dan Nickell (1986), Arellano and Bond (1991) sesuai dengan model permintaan tenaga kerja dinamis ke panel perusahaan yang tidak seimbang yang berlokasi di Inggris. Pertama, kita memodelkan ketenagakerjaan dengan upah, persediaan modal, output industri, boneka tahun, dan tren waktu, termasuk satu jam kerja dan dua kelonggaran upah dan persediaan modal. Kita akan menggunakan estimator ArellanondashBond satu langkah dan meminta VCE kuat mereka: Karena kita memasukkan satu lag dari n dalam model regresi kita, xtabond menggunakan lag 2 dan belakang sebagai instrumen. Perbedaan variabel eksogen juga berperan sebagai instrumen. Di sini kita mereparasi model kita, menggunakan xtdpdsys sebagai gantinya sehingga kita dapat memperoleh perkiraan ArellanondashBoverBlundellndashBond: Membandingkan footer dari dua output commandrsquo menggambarkan perbedaan utama antara kedua estimator. Xtdpdsys memasukkan perbedaan yang tertinggal dari n sebagai instrumen dalam persamaan tingkat xtabond tidak. Kondisi momen estimator GMM hanya berlaku jika tidak ada korelasi serial dalam kesalahan istimewa. Karena perbedaan pertama white noise tentu saja autokorelasi, kita hanya perlu memperhatikan otokorelasi kedua dan lebih tinggi. Kita bisa menggunakan estat untuk menguji autokorelasi: Referensi Arellano, M. dan S. Bond. 1991. Beberapa pengujian spesifikasi untuk data panel: bukti Monte Carlo dan penerapan pada persamaan kerja. Tinjauan Studi Ekonometrika 58: 277ndash297. Layard, R. dan S. J. Nickell. 1986. Pengangguran di Inggris. Economica 53: 5121ndash5169. Buku ini menyajikan ulasan modern beberapa topik utama di data panel ekonometri. Ini berkaitan dengan model statis dan dinamis linier, dan ditujukan untuk pembaca mahasiswa pascasarjana dan peneliti terapan. Bagian dari buku ini bisa digunakan dalam kursus pascasarjana di panel data ekonometri, dan sebagai referensi bagi praktisi. Banyak aplikasi yang dibahas secara rinci. Beberapa masalah metodologis dijelaskan melalui aplikasi, yang terjalin erat dengan teks lainnya dan harus dianggap sebagai bagian integral dari wacana. Buku ini memiliki dua perhatian utama. Salah satunya adalah analisis model dengan variabel penjelas non eksogen. Ini mencakup variabel eksogen yang berkorelasi dengan efek individual yang tidak teramati, variabel yang mengalami kesalahan pengukuran, dan variabel yang telah ditentukan sebelumnya atau endogen terhadap kesalahan variasi waktu. Perhatian lainnya adalah pemodelan dinamis dan, lebih khusus lagi, masalah membedakan secara empiris antara respons dinamis dan heterogenitas yang tidak teramati dalam analisis data panel. Komponen kesalahan, struktur kovarians, model autoregresif, model dengan variabel yang telah ditentukan secara umum, dan instrumen optimal ditutup secara sistematis. Untuk sebagian besar, buku ini menggunakan pendekatan general moment (GMM), dan sering menggunakan argumen variabel instrumental, walaupun pendekatan kemungkinan juga disajikan bila tersedia. Banyak topik dibahas dari perspektif panel pendek dan panjang, namun ada penekanan pada ekonometrik panel mikro, yang tercermin dalam pengorganisasian materi dan pilihan topik. Bagian tengah buku ini memberikan sebuah sintesis, dan perspektif terpadu, tentang sebuah literatur yang luas mengenai data panel dinamis yang memiliki dampak signifikan pada praktik ekonometrik. Kata kunci: model autoregresif, struktur kovarian, komponen kesalahan, metode umum momen, efek individual, kesalahan pengukuran, instrumen optimal, data panel, variabel yang telah ditentukan, heterogenitas yang tidak teramati. 2 Unarmservity Heterogeneity Bab 2 dimulai dengan memperkenalkan masalah heterogenitas yang tidak teramati dalam analisis regresi dan bagaimana ketersediaan data panel membantu menyelesaikannya. Efek yang saling terkait dimotivasi sebagai turunan dari regresi endogen, dan dibandingkan dengan pendekatan endogenitas lainnya dalam ekonometri. Estimasi faktor dalam kelompok atau tetap didiskusikan dan dimotivasi dari perspektif panel pendek dan panjang dalam konteks kuadrat dan kemungkinan terkecil. Implikasi heteroskedastisitas dan korelasi serial untuk inferensi yang valid dan estimasi optimal dipertimbangkan, serta perluasan model non linier dengan efek aditif, termasuk kesalahan standar T yang kecil dan panjang, dan metode jarak minimum. Kata kunci: regresi endogen, efek tetap, heteroskedastisitas, jarak minimum, estimasi optimal, kesalahan standar yang kuat, korelasi serial, bias heterogenitas yang tidak diamati, estimasi kelompok. 3 Komponen Kesalahan Bab ini dikhususkan untuk model komponen kesalahan. Ini pada mulanya dimotivasi dari ketertarikan untuk membedakan komponen variasi permanen dari komponen-komponen sementara di wilayah seperti analisis ketidaksetaraan upah dan mobilitas. Selanjutnya, mereka dianggap sebagai kasus khusus dari model heterogenitas yang tidak teramati dimana efeknya tidak berkorelasi dengan regresor. Pengujian pembatasan dan perluasan model ini dengan subkumpulan regresor yang tidak berkorelasi dibahas. Akhirnya, perkiraan parameter distribusi komponen kesalahan nonparametrik dipertimbangkan. Kata kunci: komponen komponen kesalahan, model dengan informasi di tingkat, estimasi nonparametrik, uji efek tidak berkorelasi, ketimpangan upah dan mobilitas. Bab terakhir dalam Bagian I membahas kesalahan dalam variabel dalam data panel. Tema utama di sini adalah bahwa regresi pada tingkat dan penyimpangan mungkin tidak hanya berbeda karena heterogenitas yang tidak teramati namun juga sebagai hasil pembesaran kesalahan kesalahan pengukuran pada regresor dalam perubahan. Kondisi dimana data panel menyediakan variabel instrumental internal yang dibahas dan ilustrasi permintaan uang perusahaan yang diberikan. Kata kunci: kesalahan dalam variabel, variabel instrumental internal, permintaan uang perusahaan, bias kesalahan pengukuran, regresi pada tingkat dan penyimpangan. Model Seri Waktu II dengan Komponen Kesalahan 5 Struktur Covariance untuk Komponen Error Dinamis Bagian II membahas model time series dengan komponen kesalahan. Bab 5 terbuka dengan diskusi informal mengenai masalah pembedaan antara heterogenitas yang tidak teramati dan dinamika individu di panel pendek. Selanjutnya, strategi pemodelan efek waktu, model rata-rata bergerak, dan kesimpulan dari struktur kovarian dipertimbangkan. Kemudian ilustrasi diberikan dengan mempertimbangkan pengujian hipotesis pendapatan permanen dari data panel rumah tangga. Kata kunci: struktur kovariansi, model rata-rata bergerak, hipotesis pendapatan tetap, efek waktu, deret waktu dengan komponen kesalahan. 6 Model Autoregresif dengan Efek Individu Bab 6 mempertimbangkan spesifikasi dan perkiraan model autoregresif dengan penyadapan heterogen. Dalam kelompok bias di panel pendek dibahas. Estimasi konsisten T tetap dari perspektif GMM dan kemungkinan dipertimbangkan. Pembahasan tersebut menjelaskan dampak asumsi tentang kondisi awal dan heteroskedastisitas pada estimasi. Perhatian khusus diberikan pada akar unit dan estimasi di bawah rata-rata stasioneritas. Bab ini diakhiri dengan tutorial terperinci tentang estimasi dan pengujian model VAR menggunakan data panel tingkat perusahaan. Kata kunci: model autoregresif, data panel tingkat perusahaan, kondisi awal, stasioner mean, heteroskedastisitas seri waktu, akar unit, model VAR, bias dalam kelompok. 7 Model dengan Variabel Depressible Exogenous and Lagged Dependent Subyek Bagian III adalah dinamika dan predeterminedness. Bab 7 membahas model dengan variabel dependen eksogen dan tertinggal yang memungkinkan autokorelasi bentuk yang tidak diketahui. Berbeda dengan model autoregresif Bagian II, di sini tertinggal variabel dependen muncul dalam peran struktural. Efeknya diidentifikasi terlepas dari bentuk korelasi serial berkat tersedianya regresor eksogen yang ketat. Estimasi dibahas dari perspektif panel pendek dan panjang dalam konteks GMM dan kemungkinan. Sebuah model kecanduan rokok digunakan sebagai ilustrasi. Kata kunci: autokorelasi dari bentuk yang tidak diketahui, kecanduan rokok, variabel dependen yang tertinggal, panel pendek dan panjang, regresor eksogen secara ketat. Bab 8 membahas model di mana kesalahan dimaksud bersifat independen terhadap nilai variabel kondisional tertentu dan tertinggal, namun tidak dengan nilai masa depan mereka. Penyesuaian parsial, persamaan Euler, dan pertumbuhan lintas negara dibahas sebagai contoh. Pendekatan alternatif untuk estimasi dari perspektif T kecil dan besar dipertimbangkan. Perhatian khusus diberikan kepada estimator yang menggunakan informasi mengenai tingkat variabel. Topik seperti ketidakrelevanan penyaringan dan instrumen optimal dengan kondisi momen sekuensial juga dipertimbangkan. Kata kunci: pertumbuhan lintas negara, persamaan Euler, informasi mengenai tingkat variabel, tidak relevannya penyaringan, penyesuaian parsial, instrumen optimal, variabel yang telah ditentukan, kondisi momen sekuensial. Metode Generalized Moments Estimation Bagian IV berisi dua bab tambahan yang mengulas hasil utama dalam teori metode umum estimasi momen dan variabel instrumental yang optimal. Tujuan bab ini adalah membuat buku itu cukup mandiri. Yang pertama dimulai dengan mengenalkan metode estimasi momen, diikuti dengan rumusan umum estimasi dan pengujian GMM, dengan menggunakan 2SLS dan 3SLS sebagai contoh. Bab ini membahas tentang konsistensi, asimtotik normalitas, estimasi varians asimtotik, matriks bobot optimal, dan tes Sargan untuk pembatasan yang terlalu banyak. Kata kunci: estimasi varians asimtotik, metode umum momen, masalah estimasi momen, pembatasan overidentifying, tes Sargan. B Instrumen Optimal dalam Model Bersyarat Bab ini mempertimbangkan model yang didefinisikan oleh pembatasan kondisi bersyarat. Fokus pembahasannya adalah dalam menemukan instrumen optimal untuk setiap jenis model yang dipertimbangkan. Masalahnya pertama dipecahkan untuk model regresi linier, yang merupakan konteks yang paling akrab, dan kemudian prosedur yang sama digunakan untuk model yang semakin kompleks. Kata kunci: pembatasan kondisi bersyarat, model kondisional, regresi linier, instrumen optimal.