“ endogeneity” และ“ exogeneity” หมายถึงอะไรอย่างมาก?

ฉันเข้าใจว่าคำจำกัดความพื้นฐานของ endogeneity คือ ไม่พอใจ แต่สิ่งนี้มีความหมายอย่างไรในโลกแห่งความจริง? ฉันอ่านบทความ Wikipedia พร้อมตัวอย่างอุปสงค์และอุปทานพยายามทำความเข้าใจ แต่ไม่ได้ช่วยอะไรจริงๆ ฉันเคยได้ยินคำอธิบายอื่น ๆ เกี่ยวกับภายนอกและภายนอกว่าอยู่ในระบบและอยู่นอกระบบและนั่นก็ไม่สมเหตุสมผลสำหรับฉัน

คำตอบของ JohnRos นั้นดีมาก ในภาษาอังกฤษแบบเรียบๆความเป็นเอกภาพหมายความว่าคุณมีสาเหตุที่ไม่ถูกต้อง แบบจำลองที่คุณจดบันทึกและประมาณการณ์นั้นไม่ถูกต้องตามวิธีการทำงานของสาเหตุในโลกแห่งความเป็นจริง เมื่อคุณเขียน:

คุณสามารถคิดถึงสมการนี้ได้หลายวิธี คุณอาจคิดว่ามันเป็นวิธีที่สะดวกในการทำนายค่าตามค่าของX คุณอาจคิดว่ามันเป็นวิธีที่สะดวกในการสร้างแบบจำลองE { Y | X $Y$$X$$E\{Y|X\}$ }ในทั้งสองกรณีนี้ไม่มีสิ่งใดที่เป็น endogeneity และคุณไม่จำเป็นต้องกังวลเกี่ยวกับมัน

อย่างไรก็ตามคุณสามารถคิดถึงสมการที่เป็นสาเหตุของการรวมตัว คุณสามารถคิดถึงเป็นคำตอบสำหรับคำถาม: "จะเกิดอะไรขึ้นกับYหากฉันเข้าสู่ระบบนี้และเพิ่มX 1 โดยทดลอง" หากคุณต้องการคิดแบบนั้นให้ใช้ OLS เพื่อประมาณจำนวนที่สมมติว่า:$\beta_1$$Y$$X$

1. ทำให้$X$$Y$
2. ทำให้$\epsilon$$Y$
3. ไม่ก่อให้เกิด$\epsilon$$X$
4. ไม่ทำให้เกิด$Y$$X$
5. ไม่มีสิ่งใดที่ทำให้เป็นสาเหตุให้$\epsilon$$X$

ความล้มเหลวของคนใดคนหนึ่งใน 3-5 จะส่งผลให้หรือไม่มากเท่าC o วี ( X , ε ) ≠ 0 ตัวแปรเครื่องมือเป็นวิธีหนึ่งในการแก้ไขความจริงที่ว่าคุณมีสาเหตุที่ไม่ถูกต้อง การทดลองควบคุมแบบสุ่มที่ดำเนินการอย่างสมบูรณ์แบบนั้นเป็นวิธีการบังคับ 3-5 ให้เป็นจริง หากคุณเลือกXแบบสุ่มแสดงว่าไม่ได้เกิดจากY , $E\{\epsilon|X\}\ne0$${\rm Cov}(X,\epsilon)\ne0$$X$$Y$$\epsilon$หรือสิ่งอื่นใด วิธีการที่เรียกว่า "การทดลองตามธรรมชาติ" นั้นเป็นความพยายามที่จะค้นหาสถานการณ์พิเศษในโลกที่มีความจริง 3-5 ข้อแม้ว่าเราไม่คิดว่า 3-5 จะเป็นเรื่องจริง

ในตัวอย่างของ JohnRos ในการคำนวณค่าจ้างการศึกษาคุณต้องมีการตีความสาเหตุของ$\beta_1$แต่มีเหตุผลที่ดีที่จะเชื่อว่า 3 หรือ 5 เป็นเท็จ

ความสับสนของคุณเป็นที่เข้าใจแม้ว่า เป็นเรื่องปกติมากในหลักสูตรเกี่ยวกับตัวแบบเชิงเส้นสำหรับผู้สอนเพื่อใช้การตีความเชิงสาเหตุของ$\beta_1$ฉันให้ไว้ข้างต้นในขณะที่แสร้งทำเป็นไม่แนะนำให้ใช้สาเหตุโดยอ้างว่า "มันเป็นเพียงสถิติ มันเป็นเรื่องขี้ขลาด แต่ก็เป็นเรื่องธรรมดามาก

ในความเป็นจริงมันเป็นส่วนหนึ่งของปรากฏการณ์ขนาดใหญ่ใน biomedicine และสังคมศาสตร์ มันเกือบจะเป็นกรณีที่เราพยายามหาสาเหตุเชิงสาเหตุของต่อ$X$$Y$ --- นั่นคือวิทยาศาสตร์ที่เกี่ยวข้อง ในทางกลับกันก็มักจะเป็นกรณีที่มีเรื่องราวบางอย่างที่คุณสามารถบอกได้ว่านำไปสู่ข้อสรุปว่าหนึ่งใน 3-5 เป็นเท็จ ดังนั้นจึงมีการฝึกฝนที่ไม่สุภาพและทำให้เกิดความไม่ซื่อสัตย์ซึ่งเราได้คัดค้านการคัดค้านโดยบอกว่าเราแค่ทำงานด้านการเชื่อมโยงจากนั้นก็แอบตีความสาเหตุที่อื่น (ตามปกติในบทนำและบทสรุปของบทความ)

หากคุณสนใจจริงๆคนที่อ่านคือจูเดียเพิร์ล James Heckman ก็ดีเช่นกัน

ให้ฉันใช้ตัวอย่าง:

สมมติว่าคุณต้องการวัดผลกระทบ (สาเหตุ) ของการศึกษาต่อรายได้ คุณใช้เวลาปีการศึกษาและข้อมูลรายได้แล้วถอยกลับไปหาคนอื่น คุณกู้คืนสิ่งที่คุณต้องการหรือไม่? อาจจะไม่! เนื่องจากรายได้นั้นเกิดจากสิ่งอื่นนอกเหนือจากการศึกษา แต่มีความสัมพันธ์กับการศึกษา ลองเรียกพวกเขาว่า "ทักษะ": เราสามารถสรุปได้อย่างปลอดภัยว่าปีการศึกษาได้รับผลกระทบจาก "ทักษะ" ในขณะที่คุณมีทักษะมากขึ้นเท่าไหร่การได้รับการศึกษาก็จะยิ่งง่ายขึ้นเท่านั้น ดังนั้นหากคุณถอยหลังปีการศึกษาต่อรายได้ผู้ประเมินผลการศึกษาจะดูดซับผลกระทบของ "ทักษะ" และคุณจะได้รับการประเมินในแง่ดีเกี่ยวกับผลตอบแทนการศึกษา นี่คือผลกระทบของการศึกษาต่อรายได้นั้นเพิ่มขึ้นอย่างเอนเอียงเพราะการศึกษาไม่ได้เป็นรายได้ภายนอก

Endogeneity เป็นเพียงปัญหาถ้าคุณต้องการกู้คืนผลกระทบเชิงสาเหตุ (ต่างจากความสัมพันธ์เพียงอย่างเดียว) นอกจากนี้หากคุณสามารถออกแบบการทดสอบคุณสามารถรับประกันได้ว่าโดยการมอบหมายแบบสุ่ม น่าเศร้าที่เรื่องนี้เป็นไปไม่ได้ในสังคมศาสตร์${\rm Cov}(X,\epsilon)=0$

User25901 กำลังมองหาคำอธิบายที่เรียบง่ายและตรงไปตรงมาในโลกแห่งความจริงสิ่งที่คำศัพท์ภายนอกและภายนอกหมายถึง การตอบสนองด้วยตัวอย่างที่เป็นความลับหรือความหมายทางคณิตศาสตร์ไม่ได้ตอบคำถามที่ถาม

ฉันจะเข้าใจความหมายของคำศัพท์ทั้งสองนี้ได้อย่างไร

นี่คือสิ่งที่ฉันมาด้วย:

Exo - ภายนอก, ภายนอก Endo - ภายใน, ภายใน -genous - ต้นกำเนิดมา

Exogeneous: ตัวแปรเป็นแบบจำลองภายนอกหากไม่ได้ถูกกำหนดโดยพารามิเตอร์และตัวแปรอื่น ๆ ในแบบจำลอง แต่มีการตั้งค่าภายนอกและการเปลี่ยนแปลงใด ๆ นั้นมาจากแรงภายนอก

ภายนอก: ตัวแปรภายในหนึ่งรุ่นถ้าเป็นอย่างน้อยฟังก์ชันบางส่วนของพารามิเตอร์และตัวแปรอื่น ๆ ในแบบจำลอง

การถดถอย OLS โดยการก่อสร้างให้ 0 จริงแล้วไม่ถูกต้อง มันทำให้ X ' ε = 0โดยการก่อสร้าง ค่าประมาณโดยประมาณของคุณนั้นไม่สัมพันธ์กับ regressors ของคุณ แต่ค่าประมาณโดยประมาณของคุณนั้น "ผิด" ในแง่หนึ่ง $X'\epsilon=0$$X'\hat\epsilon=0$

หากข้อมูลที่ก่อให้เกิดกระบวนการจริงดำเนินการโดยและZมีความสัมพันธ์กับXแล้วX ' n o ฉันs E ≠ $Y=\alpha +\beta X + \gamma Z + {\rm noise}$$Z$$X$$X'{\rm noise} \neq 0$ถ้าคุณพอดีถดถอยออกจาก . แน่นอนที่เหลือโดยประมาณจะ uncorrelated กับX พวกเขามักจะเป็นเช่นเดียวกับที่บันทึก( e x ) = $Z$$X$$\log(e^x)=x$. มันเป็นความจริงทางคณิตศาสตร์ นี่คืออคติของตัวแปรที่ละเว้น

บอกว่าได้รับมอบหมายแบบสุ่ม อาจเป็นวันของสัปดาห์ที่ผู้คนเกิดมา อาจเป็นการทดลองจริง มันเป็นอะไรที่ไม่เกี่ยวข้องกับ$I$$Y$ที่คาดการณ์Xจากนั้นคุณสามารถใช้การสุ่มของฉันที่จะทำนายXและจากนั้นใช้ที่คาดการณ์Xเพื่อให้พอดีกับรูปแบบไปยังY $X$$I$$X$$X$$Y$

นั่นคือสแควร์สสองขั้นน้อยที่สุดซึ่งเกือบจะเหมือนกับ IV

ในการถดถอยเราต้องการบันทึกผลกระทบเชิงปริมาณของตัวแปรอิสระ (ซึ่งเราถือว่าอยู่ภายนอกและไม่ได้ขึ้นอยู่กับสิ่งอื่น) ในตัวแปรตามที่ระบุ เราต้องการทราบว่าผลกระทบสุทธิใดที่ตัวแปรภายนอกมีต่อตัวแปรตาม - ความหมายว่าตัวแปรอิสระควรปราศจากอิทธิพลใด ๆ จากตัวแปรอื่น วิธีที่รวดเร็วในการดูว่าการถดถอยนั้นประสบปัญหาของ endogeneity หรือไม่คือการตรวจสอบความสัมพันธ์ระหว่างตัวแปรอิสระกับส่วนที่เหลือ แต่นี่เป็นเพียงการตรวจสอบอย่างละเอียดมิฉะนั้นจะต้องทำการทดสอบความเป็นเนื้อเดียวกันอย่างเป็นทางการ