บทนำ
ความสนใจของฉันในหัวข้อตอนนี้ประมาณ 7 ปีและส่งผลในอนุกรมเวลาวิทยานิพนธ์ปริญญาเอก: การรวม, การแยกและหน่วยความจำยาวที่ความสนใจได้จ่ายให้กับคำถามเฉพาะของปัญหาการแยกส่วนแบบตัดขวางสำหรับโครงการ AR (1)
ข้อมูล
การทำงานกับวิธีการที่แตกต่างกันในการรวมคำถามแรกที่คุณต้องชี้แจงคือประเภทของข้อมูลที่คุณจัดการกับ (ฉันเดาเป็นเชิงพื้นที่หนึ่งที่น่าตื่นเต้นที่สุด) ในทางปฏิบัติคุณอาจพิจารณาการรวมตัวชั่วคราว (ดูSilvestrini, A. และ Veridas, D. (2008) ), หน้าตัด (ฉันชอบบทความโดยGranger, CWJ (1990) ) หรือทั้งเวลาและพื้นที่ ในGiacomini, R. และ Granger, CWJ (2004) )
คำตอบ (ความยาว)
ตอนนี้ตอบคำถามของคุณฉันใส่ปรีชาหยาบก่อน เนื่องจากปัญหาที่ฉันพบในทางปฏิบัติมักขึ้นอยู่กับข้อมูลที่ไม่แน่นอน (สมมติฐานของ Andy
คุณสามารถวัดอนุกรมเวลาของการสังเกตที่ระดับความแม่นยำใด ๆ ในเวลา
ดูเหมือนจะแรงเกินไปสำหรับเศรษฐมิติมหภาค แต่ดีสำหรับการเงินและจุลเศรษฐศาสตร์หรือสาขาการทดลองใด ๆ หากคุณควบคุมความแม่นยำค่อนข้างดี) ฉันต้องจำไว้ว่าอนุกรมเวลารายเดือนของฉันแม่นยำน้อยกว่าเมื่อฉันทำงานด้วย ข้อมูลรายปี นอกจากอนุกรมเวลาที่บ่อยขึ้นอย่างน้อยในเศรษฐศาสตร์มหภาคจะมีรูปแบบตามฤดูกาลซึ่งอาจนำไปสู่การปลอมผลลัพธ์ (ส่วนตามฤดูกาลนั้นไม่มีความสัมพันธ์กับซีรีส์) ดังนั้นคุณต้องปรับข้อมูลตามฤดูกาล - แหล่งข้อมูลที่มีความแม่นยำน้อยกว่าสำหรับข้อมูลความถี่ที่สูงขึ้น การทำงานกับข้อมูลแบบภาคตัดขวางเปิดเผยว่าระดับความไม่ลงรอยกันในระดับสูงทำให้เกิดปัญหามากขึ้นด้วยจำนวนศูนย์ที่ต้องรับมือ ตัวอย่างเช่นครัวเรือนโดยเฉพาะในแผงข้อมูลอาจซื้อรถยนต์หนึ่งครั้งต่อ 5-10 ปี แต่ความต้องการรวมสำหรับรถยนต์ใหม่ (ใช้แล้ว) นั้นนุ่มนวลกว่ามาก (แม้สำหรับเมืองเล็ก ๆ หรือภูมิภาค)
การรวมจุดอ่อนที่สุดส่งผลให้ข้อมูลสูญหายเสมอคุณอาจมีจีดีพีที่ผลิตโดยกลุ่มประเทศสหภาพยุโรปในช่วงทศวรรษ (ระหว่างช่วงเวลา 2544-2553) แต่คุณจะสูญเสียคุณสมบัติแบบไดนามิกทั้งหมดที่อาจมีอยู่ในการวิเคราะห์ของคุณโดยพิจารณาจากชุดข้อมูลแบบละเอียด การรวมภาพตัดขวางขนาดใหญ่อาจกลายเป็นเรื่องที่น่าสนใจยิ่งขึ้น: คุณใช้สิ่งที่เรียบง่าย (หน่วยความจำสั้น AR (1)) หาค่าเฉลี่ยจากประชากรที่มีขนาดค่อนข้างใหญ่และได้รับ "ตัวแทน" ตัวแทนหน่วยความจำขนาดยาว หน่วย (อีกหนึ่งหินกับแนวคิดของตัวแทนตัวแทน) ดังนั้นการรวมกันของข้อมูลที่สูญเสีย ~ คุณสมบัติที่แตกต่างกันของวัตถุและคุณต้องการที่จะควบคุมระดับของการสูญเสียและ / หรือคุณสมบัติใหม่นี้ ในความคิดของฉันมันจะดีกว่าที่จะมีข้อมูลระดับไมโครแม่นยำที่ความถี่สูงที่สุดเท่าที่จะทำได้ แต่ ...
ในทางเทคนิคแล้วการวิเคราะห์การถดถอยคุณต้องมีพื้นที่มากขึ้น (องศาอิสระ) เพื่อให้มีความมั่นใจมากขึ้นหรือน้อยลงว่าอย่างน้อยสถิติของคุณไม่ใช่ขยะแม้ว่าพวกเขาจะยังคงอยู่ในทางทฤษฎีและขยะ :) ดังนั้นฉันจึงเท่าเทียมกัน น้ำหนักคำถาม 1 และ 2 (โดยปกติจะเลือกข้อมูลรายไตรมาสสำหรับการวิเคราะห์แมโคร) ตอบคำถามย่อยที่ 3 สิ่งที่คุณเลือกในการใช้งานจริงสิ่งที่สำคัญสำหรับคุณคือข้อมูลที่แม่นยำยิ่งขึ้นหรือองศาอิสระ หากคุณนำสมมติฐานที่กล่าวมานี้ไปพิจารณาใช้ข้อมูลที่ละเอียดมากขึ้น (หรือความถี่ที่สูงกว่า)
อาจเป็นคำตอบที่จะแก้ไขหลังหลังจากการสนทนาบางประเภทถ้ามี