เหตุใดการใช้ข้อมูลแบบตัดขวางเพื่อสรุป / ทำนายการเปลี่ยนแปลงตามยาวของสิ่งที่ไม่ดี

ฉันกำลังมองหากระดาษที่ฉันหวังว่าจะมีอยู่ แต่ไม่รู้ว่ามันจะเป็นอย่างไร มันอาจเป็นชุดของกรณีศึกษาและ / หรือข้อโต้แย้งจากทฤษฎีความน่าจะเป็นเกี่ยวกับสาเหตุที่ใช้ข้อมูลภาคตัดขวางในการอนุมาน / ทำนายการเปลี่ยนแปลงตามยาวอาจเป็นสิ่งที่ไม่ดี (เช่นนั้นไม่จำเป็น

ฉันได้เห็นความผิดพลาดที่เกิดขึ้นในสองวิธีใหญ่ ๆ : การอนุมานนั้นเกิดขึ้นเพราะคนที่ร่ำรวยกว่าในอังกฤษเดินทางมากขึ้นจากนั้นเมื่อสังคมได้รับความนิยมมากขึ้นประชากรโดยรวมจะเดินทางมากขึ้น การอนุมานนั้นกลายเป็นเรื่องจริงเป็นระยะเวลานานกว่าทศวรรษ และรูปแบบที่คล้ายคลึงกันกับการใช้ไฟฟ้าในประเทศ: ข้อมูลแบบภาคตัดขวางหมายถึงการเพิ่มขึ้นอย่างมากของรายได้ซึ่งไม่ได้เกิดขึ้นตามกาลเวลา

มีหลายสิ่งที่เกิดขึ้นรวมถึงผลกระทบของหมู่และข้อ จำกัด ด้านอุปทาน

มันจะมีประโยชน์มากที่จะมีการอ้างอิงเดียวที่รวบรวมกรณีศึกษาเช่นนั้น และ / หรือใช้ทฤษฎีความน่าจะเป็นเพื่อแสดงให้เห็นว่าเหตุใดการใช้ข้อมูลภาคตัดขวางเพื่ออนุมาน / ทำนายการเปลี่ยนแปลงระยะยาวอาจทำให้เข้าใจผิดได้มาก

มีกระดาษชนิดนี้อยู่หรือไม่ถ้าอย่างนั้นมันคืออะไร?

คุณตอบคำถามของคุณเองบางส่วนโดยขอการเปลี่ยนแปลง "ระยะยาว" ข้อมูลภาคตัดขวางถูกเรียกใช้เนื่องจากพวกเขาถ่ายภาพทันเวลาซึ่งเป็นภาพตัดขวางที่ถูกตัดออกจากสังคมที่มีการเปลี่ยนแปลงตลอดเวลาซึ่งมีความสัมพันธ์มากมาย ดังนั้นการอนุมานที่ดีที่สุดที่คุณหวังว่าจะทำคืออยู่ภายใต้สมมติฐานว่าสิ่งที่คุณกำลังศึกษาอยู่นั้นไม่แปรเปลี่ยนเป็นเวลาหรืออย่างน้อยก็สรุปวิวัฒนาการของมัน

ในอีกด้านหนึ่งข้อมูลที่คุณต้องการคือข้อมูลระยะยาวหรือข้อมูลแผงสำหรับนักเศรษฐศาสตร์

การอ้างอิงที่ดีที่จะอธิบายถึงวิธีการส่วนใหญ่ แต่ยังเน้นสองตัวอย่างที่โดดเด่นจากเศรษฐศาสตร์คือที่นี่ ตัวอย่าง 2.1 มีอัตราการลงทุนของ บริษัท

ส่วนที่ 3 เป็นเพียงทฤษฎีเล็กน้อย แต่มีข้อมูลเชิงลึกมาก: โมเดลข้อมูลพาเนลสามารถ

ตอนนี้แบบจำลองประเภทนี้สามารถจับภาพการพึ่งพาของรัฐซึ่งเป็นคำอธิบายทั่วไปสำหรับสาเหตุที่ผู้คนทำงานแตกต่างกัน ดังนั้นหากคุณสังเกตเห็นคนที่เดินทางในเวลาที่กำหนดของคุณจะไม่ปรากฏชื่อซึ่งหมายความว่าคุณไม่ทราบว่าการเดินทางของพวกเขาเมื่อวานนี้มีอิทธิพลต่อการตัดสินใจเดินทางอีกครั้ง$\alpha$

ตอนนี้ปิดการพึ่งพาเวลาสักครู่ แต่โปรดจำไว้ว่าสมการนี้อาจเป็นรูปแบบที่แท้จริง

ในรุ่น cross section ตอนนี้คุณจะดร็อปห้อยทั้งหมดเนื่องจากคุณมีข้อมูลในช่วงเวลาเดียว ดังนั้นคุณจึงไม่มีความเป็นไปได้ที่บัญชีสำหรับความจริงที่ว่าแต่ละคนในชุดข้อมูลของคุณอาจแตกต่างกันอย่างมากซึ่งจะทำให้การถดถอยของคุณสูงขึ้นโดยทั่วไปอย่างน้อยเมื่อแบบจำลองที่แท้จริงเป็นแบบไดนามิก นี่อาจเป็นสาเหตุของการประเมินค่าสูงไปเนื่องจากผลที่ไม่ได้ตรวจสอบ (อาจเป็นเรื่องธรรมดาเช่นกัน) ที่คุณไม่ได้วัด แต่ก็สะท้อนให้เห็นในการศึกษาข้ามส่วนของคุณη ' ฉัน$t$$\eta_{i}'s$

ตอนนี้ป้อนข้อมูลแผงอีกครั้ง สิ่งที่เราสามารถทำได้คือลบค่าเฉลี่ยเมื่อเวลาผ่านไปของแต่ละตัวแปรซึ่งเมื่อค่าเฉลี่ยของคงที่ตลอดเวลาจะเป็นการกำจัดเทอมนี้ การเปลี่ยนแปลงนี้ (เป็นไปได้อื่น ๆ ) ช่วยให้คุณสามารถมุ่งเน้นไปที่การเปลี่ยนแปลงเท่านั้น (และในความเป็นจริงคุณจะสูญเสีย regressors ที่ไม่เปลี่ยนแปลงเวลา)$\eta_i$

ตอนนี้นี่คือความแตกต่างที่สำคัญระหว่างข้อมูลหน้าตัดและแผงควบคุม ความจริงที่ว่าคุณสามารถกำจัดเอฟเฟกต์ที่ไม่แปรเปลี่ยนเวลาได้เพราะคุณมีการแปรผันของเวลาทำให้คุณสามารถลบอคติบางอย่างที่การประมาณค่าตัดขวางไม่อนุญาตให้คุณตรวจจับ ดังนั้นก่อนที่คุณจะพิจารณาการเปลี่ยนแปลงนโยบายเช่นภาษีที่สูงขึ้นในการเดินทางเพราะคุณคาดหวังให้ผู้คนเดินทางและคุณต้องการรายได้จากรัฐบาลมากขึ้นมันจะมีประโยชน์มากขึ้นที่จะได้เห็นปรากฏการณ์ในช่วงสองสามปีที่ผ่านมาดังนั้นคุณจึงมั่นใจได้ว่า การจับภาพความแตกต่างที่ไม่ได้สังเกตในตัวอย่างของคุณซึ่งคุณตีความว่าเป็นนิสัยชอบที่จะเดินทาง

ในการประเมินโมเดลเหล่านี้จะเป็นการดีที่สุดที่จะผ่านการอ้างอิง แต่ระวัง: สมมติฐานที่ต่างกันเกี่ยวกับพฤติกรรมของผู้คนจะทำให้ขั้นตอนการประมาณค่าที่ยอมรับได้นั้นแตกต่างกันหรือไม่

ฉันหวังว่านี่จะช่วยได้!

มันฟังดูคล้ายกับคำนิยามของกระบวนการที่ไม่เป็นไปตามหลักสรีรศาสตร์ (วัดส่วนเกินสำหรับการรับรู้ที่ไม่เท่ากับมาตรการเมื่อเวลาผ่านไป) น่าเศร้าที่ปรากฏการณ์โลกแห่งความจริงที่น่าสนใจมีอยู่น้อยมาก ฉันเดาว่านี่อาจเป็นกรณีของการสุ่มตัวอย่างและการอนุมานที่ละเอียดกว่าซึ่งอาจมีการทำให้เรียบง่ายขึ้น ฉันกำลังคิดหาตัวอย่างของเครื่องชั่งเวลา - หรืออวกาศซึ่งไม่ได้สังเกตพฤติกรรมที่วุ่นวายเพื่อให้ตัวทำนายสามารถสร้างเส้นตรงได้ แต่ฉันแค่ท่องไปที่นี่ .. ฉันเกรงว่าฉันไม่สามารถช่วยคุณในการเขียนบทความเฉพาะเรื่องได้ ขออภัย: / แต่คำถามที่น่าสนใจกระนั้นก็ตาม