มีความแตกต่างทางศัพท์ที่สิ่งเดียวกันเรียกว่าชื่อแตกต่างกันในสาขาวิชาต่าง ๆ :
- ข้อมูลระยะยาวในชีวสถิติเป็นการสังเกตซ้ำของบุคคลเดียวกัน = ข้อมูลแผงในเศรษฐมิติ
- แบบจำลองสำหรับตัวแปรที่ขึ้นกับไบนารีซึ่งความน่าจะเป็นที่ 1 ถูกจำลองเป็นเรียกว่าแบบจำลอง logit ในเศรษฐมิติและแบบจำลองลอจิสติกในชีวสถิติ นักชีวสถิติมีแนวโน้มที่จะทำงานกับการถดถอยโลจิสติกส์ในแง่ของอัตราต่อรองเนื่องจากxของพวกเขามักเป็นเลขฐานสองดังนั้นอัตราส่วนอัตราต่อรองจึงเป็นตัวแทนของความถี่สัมพัทธ์ของผลลัพธ์ที่น่าสนใจในทั้งสองกลุ่มในประชากร นี่เป็นความหมายทั่วไปที่คุณมักจะเห็นตัวแปรต่อเนื่องที่ถูกเปลี่ยนเป็นสองประเภท (ความดันโลหิตต่ำ vs สูง) เพื่อให้การตีความนี้ง่ายขึ้น1 / ( 1 + ประสบการณ์[ - x'β] )x
- "การประมาณสมการ" ของนักสถิติคือ "ช่วงเวลา" ของนักเศรษฐมิติ สถิติของ -estimates เป็นตัวประมาณค่าสุดขีดของเศรษฐมิติM
มีความแตกต่างทางศัพท์ที่ใช้คำเดียวกันหมายถึงสิ่งที่แตกต่างในสาขาวิชาที่แตกต่างกัน:
- เอฟเฟกต์คงที่หมายถึงในสมการถดถอยสำหรับนักสถิติ ANOVA และสำหรับตัวประมาณ "ภายใน" สำหรับนักเศรษฐมิติx'β
- การอนุมานที่มีประสิทธิภาพหมายถึงข้อผิดพลาดมาตรฐานที่แก้ไขโดย heteroskedasticity สำหรับนักเศรษฐศาสตร์ (พร้อมส่วนขยายไปยังข้อผิดพลาดมาตรฐานแบบคลัสเตอร์และ / หรือข้อผิดพลาดมาตรฐานที่แก้ไขโดยอัตโนมัติ
- ดูเหมือนว่านักเศรษฐศาสตร์มีความคิดที่ไร้สาระที่ตัวอย่างแบ่งเป็นชั้น ๆ ที่ความน่าจะเป็นของการเลือกแตกต่างกันระหว่างการสังเกต สิ่งเหล่านี้ควรเรียกว่าตัวอย่างความน่าจะเป็นที่ไม่เท่ากัน ตัวอย่างแบ่งเป็นกลุ่มที่ประชากรแบ่งออกเป็นกลุ่มที่กำหนดไว้ล่วงหน้าตามลักษณะที่รู้จักกันก่อนที่จะเกิดการสุ่มตัวอย่าง
- econometricians' การทำเหมืองข้อมูล "(อย่างน้อยในวรรณคดี 1980) ที่ใช้หมายถึงการทดสอบหลายและข้อผิดพลาดที่เกี่ยวข้องกับมันที่ได้รับการอธิบายอย่างน่าพิศวงในหนังสือของฮาร์เรล นักวิทยาศาสตร์คอมพิวเตอร์ (และสถิติ) ขั้นตอนการทำเหมืองข้อมูลเป็นวิธีการที่ไม่ใช่ตัวแปรในการหารูปแบบในข้อมูลยังเป็นที่รู้จักการเรียนรู้ทางสถิติ
ฉันดูการมีส่วนร่วมที่เป็นเอกลักษณ์ของเศรษฐมิติ
- วิธีจัดการกับ endogeneity และตัวแบบการถดถอยที่ระบุไว้ไม่ดีเท่าที่ทราบขณะที่ mpiktas ได้อธิบายไว้ในคำตอบอื่นว่า (i) ตัวแปรอธิบายอาจจะสุ่มตัวเอง แบบจำลองสามารถทนทุกข์ทรมานจากตัวแปรที่ละเว้น (ซึ่งกลายเป็นส่วนหนึ่งของคำผิดพลาด), (iii) อาจมีความหลากหลายที่แตกต่างกันโดยไม่คำนึงถึงวิธีการที่ตัวแทนทางเศรษฐกิจตอบสนองต่อสิ่งเร้า Angrist & Pischkeเป็นการทบทวนที่ยอดเยี่ยมของปัญหาเหล่านี้และนักสถิติจะได้เรียนรู้มากมายเกี่ยวกับวิธีการวิเคราะห์การถดถอยจากมัน อย่างน้อยที่สุดนักสถิติควรเรียนรู้และทำความเข้าใจกับการถดถอยตัวแปรเครื่องมือ
- โดยทั่วไปแล้วนักเศรษฐศาสตร์ต้องการตั้งสมมติฐานให้น้อยที่สุดเท่าที่จะเป็นไปได้เกี่ยวกับแบบจำลองของพวกเขาเพื่อให้แน่ใจว่าสิ่งที่พวกเขาค้นพบนั้นไม่ได้ยกตัวอย่างเช่นไร้เหตุผล นั่นเป็นเหตุผลที่ GMM ได้รับความนิยมอย่างมากกับนักเศรษฐศาสตร์และไม่เคยมีสถิติเลย (แม้ว่าจะได้รับการอธิบายอย่างน้อยโดยเฟอร์กูสันในช่วงปลายทศวรรษ 1960) นั่นเป็นเหตุผลว่าทำไมการยอมรับความเป็นไปได้เชิงประจักษ์ก็เพิ่มขึ้นอย่างมากในสาขาเศรษฐศาสตร์โดยมีเพียงเล็กน้อยเท่านั้นในสถิติ นั่นเป็นสาเหตุที่นักเศรษฐศาสตร์เรียกใช้การถดถอยด้วยข้อผิดพลาดมาตรฐาน "แข็งแกร่ง" และนักสถิติโดยมีค่าเริ่มต้น OLS s 2 ( X ′ X ) - 1ข้อผิดพลาดมาตรฐานχ2s2( X'X)- 1
- มีงานจำนวนมากในโดเมนเวลาที่มีกระบวนการเว้นระยะสม่ำเสมอ - นั่นเป็นวิธีรวบรวมข้อมูลเศรษฐกิจมหภาค การมีส่วนร่วมที่ไม่ซ้ำกันรวมถึงกระบวนการรวมและ cointegrated และวิธี heteroskedasticity (G) ARCH) แบบอัตโนมัติเงื่อนไข โดยทั่วไปแล้วฉันเป็นคนตัวเล็กฉันไม่คุ้นเคยกับสิ่งเหล่านี้
β/ σσ เป็นนักเศรษฐศาสตร์ที่กำลังพูดถึงแน่นอน) แน่นอนว่ายูทิลิตี้ที่เป็นเส้นตรงในอินพุตเป็นสิ่งที่ตลกมากจากมุมมองของเศรษฐศาสตร์จุลภาค 101 แม้ว่าจะมีการวางแนวทั่วไปในฟังก์ชั่นกึ่งเว้าใน Mas-Collel
Cพี, DFBETA และอื่น ๆ ) การวิเคราะห์ข้อมูลที่ขาดหายไป (การระบุบางส่วนของ Manski นั้นเป็นสิ่งที่น่าพิศวง แต่การสลาย MCAR / MAR / NMAR หลักและการใส่ร้ายหลายครั้งนั้นมีประโยชน์มากกว่า) และสถิติการสำรวจ ผลงานอื่น ๆ จำนวนมากจากสถิติกระแสหลักได้รับความบันเทิงจากเศรษฐมิติและนำมาใช้เป็นวิธีการมาตรฐานหรือส่งผ่านในรูปแบบระยะสั้น: แบบจำลอง ARMA ของปี 1960 อาจเป็นที่รู้จักกันดีในสาขาเศรษฐศาสตร์มากกว่าในสถิติ ในสถิติอาจล้มเหลวในการเสนอหลักสูตรอนุกรมเวลาวันนี้; ตัวประมาณค่าการหดตัว / การถดถอยสันของปี 1970 ได้ผ่านไปแล้ว bootstrap ของปี 1980 เป็นปฏิกิริยาเข่ากระตุกสำหรับสถานการณ์ที่ซับซ้อนใด ๆ แม้ว่านักเศรษฐศาสตร์จะต้องตระหนักดีถึงข้อ จำกัด ของ bootstrap; ความเป็นไปได้ในเชิงประจักษ์ของปี 1990 ได้เห็นการพัฒนาวิธีการเพิ่มเติมจากนักเศรษฐศาสตร์เชิงทฤษฎีมากกว่านักสถิติเชิงทฤษฎี วิธีการแบบเบส์ของยุค 2000 กำลังได้รับความบันเทิงในทางเศรษฐมิติ แต่ความรู้สึกของฉันคือสิ่งที่เกินความเป็นไปได้มากเกินไปที่ใช้โมเดลมากเกินไปเพื่อให้เข้ากันได้กับกระบวนทัศน์ความแข็งแกร่งที่ฉันกล่าวถึงก่อนหน้านี้ ไม่ว่านักเศรษฐศาสตร์จะพบการใช้การเรียนรู้ทางสถิติ / ชีวสารสนเทศศาสตร์หรือเนื้อหาเชิงพื้นที่ที่ร้อนจัดในสถิติสมัยใหม่หรือไม่นั้นเป็นสายที่เปิดกว้าง