โมเดลพาเนลแบบไดนามิกอาจสมเหตุสมผลถ้าคุณมีโมเดลการตอบโต้แบบตาต่อตาต่อตาสำหรับคดีฆาตกรรม ตัวอย่างเช่นหากอัตราการฆาตกรรมส่วนใหญ่ถูกผลักดันโดยความโกรธเคืองของแก๊งการฆาตกรรมในเวลาอาจเป็นหน้าที่ของการเสียชีวิตที่t - 1หรือล่าช้าอื่น ๆ tt−1
ฉันจะตอบคำถามของคุณไม่เรียบร้อย สมมติว่า DGP คือ
yit=δyit−1+x′itβ+μi+vit,
โดยที่ข้อผิดพลาดและvเป็นอิสระจากกันและระหว่างกัน คุณสนใจที่จะทำการทดสอบว่าδ = 0 (คำถาม 2)μvδ=0
ถ้าคุณใช้ OLS มันเป็นเรื่องง่ายที่จะเห็นว่าและส่วนแรกของความผิดพลาดมีความสัมพันธ์ซึ่งทำให้ OLS ลำเอียงและไม่สอดคล้องกันแม้เมื่อไม่มีความสัมพันธ์ต่อเนื่องในโวลต์ เราต้องการสิ่งที่ซับซ้อนกว่าในการทำแบบทดสอบyit−1v
สิ่งต่อไปที่คุณอาจลองคือตัวประมาณค่าเอฟเฟกต์ถาวรกับการแปลงภายในซึ่งคุณแปลงข้อมูลโดยการลบค่าเฉลี่ยของหน่วยแต่ละหน่วย, ˉ y iจากการสังเกตแต่ละครั้ง สิ่งนี้จะเช็ดออกμแต่ตัวประมาณนี้ทนทุกข์ทรมานจากอคติของ Nickellซึ่งความลำเอียงไม่หายไปเมื่อจำนวนการสังเกตที่Nเพิ่มขึ้นดังนั้นจึงไม่สอดคล้องกับแผงNขนาดใหญ่และขนาดเล็กT แต่เป็นTเติบโตขึ้นคุณจะได้รับความสอดคล้องของδและβ จั๊ดสันและโอเว่น (1999)ดำเนินการจำลองบางคนที่มีN = 20 ,yy¯iμNNTTδβและ T = 5 , 10 , 20 , 30และพบว่ามีอคติที่จะเพิ่มขึ้นใน δและลดลงในT อย่างไรก็ตามแม้สำหรับ T = 30อคติอาจมีค่ามากถึง 20 %ของค่าสัมประสิทธิ์ที่แท้จริง นั่นคือข่าวร้ายหมี! ดังนั้นขึ้นอยู่กับขนาดของพาเนลของคุณคุณอาจต้องการหลีกเลี่ยงตัวประมาณ FE ถ้า δ > 0อคตินั้นเป็นลบดังนั้นความคงอยู่ของ yจึงต่ำไป ถ้า regressors มีความสัมพันธ์กับความล่าช้า βก็จะมีอคติเช่นกันN=20,100T=5,10,20,30δTT=3020%δ>0yβ
วิธีง่ายๆ FE ก็คือการเป็นครั้งแรกที่ความแตกต่างของข้อมูลที่จะเอาผลคงที่และการใช้เพื่อใช้ในการΔ Y ฉันที- 1 = Y ฉันที- 1 - Y ฉันที- 2 คุณยังใช้x i t - x i t - 1เป็นเครื่องมือสำหรับตัวเอง Anderson and Hsiao (1981)เป็นข้อมูลอ้างอิงที่เป็นที่ยอมรับ ตัวประมาณนี้สอดคล้องกัน (ตราบใดที่Xอธิบายนั้นถูกกำหนดล่วงหน้าและyit−2Δyit−1=yit−1−yit−2xit−xit−1Xข้อผิดพลาดเดิมไม่ได้มีความสัมพันธ์กันแบบอนุกรม) แต่ไม่มีประสิทธิภาพอย่างเต็มที่เนื่องจากไม่ได้ใช้ช่วงเวลาที่มีอยู่ทั้งหมดและไม่ได้ใช้ความจริงที่ว่าข้อผิดพลาดตอนนี้แตกต่างกัน นี่อาจเป็นตัวเลือกแรกของฉัน หากคุณคิดว่าทำตามกระบวนการ AR (1) คุณสามารถใช้ความล่าช้าที่สามและสี่ของyแทนได้vy
Arellano and Bond (1991) ได้รับวิธีการประมาณค่าแบบช่วงเวลาทั่วไป (GMM) ที่มีประสิทธิภาพมากขึ้นซึ่งได้ขยายออกไปนับตั้งแต่ผ่อนคลายสมมติฐานบางข้อ บทที่ 8 ของหนังสือเล่มนี้ของ Baltagi เป็นการสำรวจวรรณกรรมที่ดีแม้ว่ามันจะไม่เกี่ยวข้องกับการเลือกล่าช้าเท่าที่ฉันสามารถบอกได้ นี่คือตัวชี้วัดที่ทันสมัย แต่มีความต้องการทางเทคนิคมากกว่า
ฉันคิดว่าplm
แพ็กเกจใน R มีบางตัวในตัวโมเดลแผงควบคุมแบบไดนามิกอยู่ใน Stata มาตั้งแต่รุ่น 10และ SAS มีรุ่น GMMอย่างน้อย สิ่งเหล่านี้ไม่ใช่ตัวนับข้อมูลโมเดล แต่นั่นอาจไม่ใช่เรื่องใหญ่อะไรขึ้นอยู่กับข้อมูลของคุณ อย่างไรก็ตามนี่คือตัวอย่างหนึ่งของโมเดลพาเนล Poisson แบบไดนามิก GMM ใน Stata
yβ