ผมใช้การประเมินข้อมูลแผงที่ฉันรวมทั้งผลกระทบปี เป้าหมายของฉันคือดูว่ามีแนวโน้มเวลาในข้อมูลหลังจากควบคุมปัจจัยอื่น ๆ หรือไม่
เมื่อใช้เอฟเฟกต์แบบสุ่มฉันพบว่าแนวโน้มมีแนวโน้มที่จะสูงขึ้น เมื่อใช้เอฟเฟกต์คงที่ฉันพบว่าแนวโน้มลดลง
นี่เป็นผลลัพธ์ที่ไม่ดีใช่ไหม การทดสอบ Hausman ปฏิเสธค่า RE ด้วยค่า p เป็น 0.000 หมายความว่าค่าแนวโน้มจาก RE สามารถไม่สอดคล้องกันได้หรือไม่ หรือ FE จับภาพสิ่งที่แตกต่างจากโมเดล RE หรือไม่ ความแตกต่างในความแตกต่างอาจจะ?
คำตอบ:
นี่คือผลลัพธ์ที่น่าสนใจไม่ใช่ผลลัพธ์ที่ไม่ดี หากไม่มีผู้ลงทะเบียนอื่นนอกเหนือจากเวลาหุ่นฉันคิดว่า OLS = RE = FE (ผมเคยทำการทดลองเพียงไม่กี่กับreg y i.year, xtreg y i.year, feและxtreg y i.year, reแต่ผมยังไม่ได้รับการพิสูจน์.)
set more off
clear all
local n 100
local T 5
set seed 1
set obs `=`n'*`T''
gen id = floor((_n-1)/`T')+1
by id, sort: gen year = _n
xtset id year
tempvar a0
gen `a0' = rnormal() if year==1
by id: egen a = mean(`a0')
gen x = a-year+rnormal()
gen y = a+x-0.2*year+rnormal()
drop a
* So far x and y have been generated.
xtreg y x year, fe
est store fe
xtreg y x year, re
hausman fe ., sigma
set more on
คุณจะเห็นว่า FE ให้แนวโน้มเชิงลบ RE ให้แนวโน้มเชิงบวกและการทดสอบ Hausman มีความสำคัญมาก (ด้านบนฉันรวมแนวโน้มเชิงเส้นเพื่อความเรียบง่ายผลลัพธ์จะคล้ายกันเมื่อi.yearใช้แทน) ฉันคิดว่ามันเป็นแนวโน้มใน X และการปรากฏตัวของเอฟเฟกต์คงที่
. set more off
. clear all
. local n 100
. local T 5
. set seed 1
. set obs `=`n'*`T''
number of observations (_N) was 0, now 500
. gen id = floor((_n-1)/`T')+1
. by id, sort: gen year = _n
. xtset id year
panel variable: id (strongly balanced)
time variable: year, 1 to 5
delta: 1 unit
. tempvar a0
. gen `a0' = rnormal() if year==1
(400 missing values generated)
. by id: egen a = mean(`a0')
. gen x = a-year+rnormal()
. gen y = a+x-0.2*year+rnormal()
. drop a
. * So far x and y have been generated.
. xtreg y x year, fe
Fixed-effects (within) regression Number of obs = 500
Group variable: id Number of groups = 100
R-sq: Obs per group:
within = 0.8276 min = 5
between = 0.9353 avg = 5.0
overall = 0.8066 max = 5
F(2,398) = 955.57
corr(u_i, Xb) = 0.4473 Prob > F = 0.0000
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x | .9803594 .0483021 20.30 0.000 .8854004 1.075318
year | -.2207004 .0568937 -3.88 0.000 -.3325502 -.1088506
_cons | .1019471 .1021303 1.00 0.319 -.0988351 .3027294
-------------+----------------------------------------------------------------
sigma_u | 1.1387103
sigma_e | .97339535
rho | .57779363 (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(99, 398) = 3.61 Prob > F = 0.0000
. est store fe
. xtreg y x year, re
Random-effects GLS regression Number of obs = 500
Group variable: id Number of groups = 100
R-sq: Obs per group:
within = 0.8066 min = 5
between = 0.9353 avg = 5.0
overall = 0.8436 max = 5
Wald chi2(2) = 2432.08
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000
------------------------------------------------------------------------------
y | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x | 1.40149 .0391177 35.83 0.000 1.32482 1.478159
year | .196468 .0523296 3.75 0.000 .0939039 .299032
_cons | .1267828 .123712 1.02 0.305 -.1156882 .3692539
-------------+----------------------------------------------------------------
sigma_u | .3602397
sigma_e | .97339535
rho | .12046423 (fraction of variance due to u_i)
------------------------------------------------------------------------------
. hausman fe ., sigma
Note: the rank of the differenced variance matrix (1) does not equal the number
of coefficients being tested (2); be sure this is what you expect, or
there may be problems computing the test. Examine the output of your
estimators for anything unexpected and possibly consider scaling your
variables so that the coefficients are on a similar scale.
---- Coefficients ----
| (b) (B) (b-B) sqrt(diag(V_b-V_B))
| fe . Difference S.E.
-------------+----------------------------------------------------------------
x | .9803594 1.40149 -.4211302 .0389278
year | -.2207004 .196468 -.4171684 .0385616
------------------------------------------------------------------------------
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 117.03
Prob>chi2 = 0.0000
. set more on
ดังนั้นหากคุณเห็นความแตกต่างที่สำคัญระหว่างเอฟเฟกต์แบบสุ่มและเอฟเฟกต์คงที่สิ่งนั้นควรเป็นตัวบ่งชี้ว่ารูปแบบที่ไม่แปรเปลี่ยนเวลาซึ่ง FE ควบคุมสำหรับเรื่องต่างๆ Hausman ของคุณยืนยัน
FE จับภาพบางอย่างที่แตกต่างกันเนื่องจาก FE ลบรูปแบบที่ไม่แปรผันของเวลาทั้งหมดและใช้รูปแบบภายในเท่านั้นในขณะที่เอฟเฟกต์แบบสุ่มใช้ทั้งภายในและระหว่าง ตัวอย่างเช่นหากคุณพยายามประเมินผลกระทบของเพศต่อค่าจ้างเมื่อเวลาผ่านไปคุณไม่สามารถทำได้โดยใช้เอฟเฟกต์คงที่เนื่องจากเพศจะเลื่อนออก แต่คุณสามารถทำได้โดยใช้เอฟเฟกต์แบบสุ่ม