ক্লাস্টার এসইএস ব্যবহার করে ফিক্সড এফেক্টস কখন ব্যবহার করবেন?


19

ধরুন আপনার কাছে তথ্যের একক ক্রস-বিভাগ রয়েছে যেখানে ব্যক্তি গোষ্ঠীগুলির মধ্যে অবস্থিত (যেমন স্কুলগুলির মধ্যে শিক্ষার্থীরা) এবং আপনি সেই ফর্মের একটি মডেল অনুমান করতে চান Y_i = a + B*X_iযেখানে Xপৃথক স্তরের বৈশিষ্ট্যগুলির একটি ভেক্টর এবং aধ্রুবক।

এই ক্ষেত্রে, ধরুন-গোষ্ঠীগত ভিন্ন ভিন্নতাগুলির মধ্যে আপনার Bআগ্রহের স্বতন্ত্র পরিবর্তনশীলের সাথে সম্পর্কিত হওয়ার কারণে আপনার পয়েন্টের অনুমান এবং তাদের এসএস-এর উপর ভিত্তি করে না।

একটি বিকল্প হ'ল গ্রুপগুলি (স্কুল) দ্বারা আপনার এসই ক্লাস্টার করা। আর একটি হ'ল গ্রুপ এফআই অন্তর্ভুক্ত। আরেকটি হ'ল উভয় ব্যবহার করা। এই বিকল্পগুলির মধ্যে নির্বাচন করার সময় কোনটি বিবেচনা করা উচিত? এটি বিশেষভাবে অস্পষ্ট যে কেন কেউ গোষ্ঠী দ্বারা এসই ক্লাস্টার করতে পারে এবং গ্রুপ এফই ব্যবহার করতে পারে। আমার সুনির্দিষ্ট ক্ষেত্রে, আমার প্রতিটি গ্রুপের মধ্যে 35 টি গ্রুপ এবং 5,000 টি লোক নেস্টেড রয়েছে । আমি এই পিডিএফ-তে আলোচনাটি অনুসরণ করেছি , তবে কেন এবং কখন কেউ ক্লাস্টার্ড এসই এবং স্থির প্রভাব উভয় ব্যবহার করতে পারে সে সম্পর্কে খুব বেশি স্পষ্ট নয়।

(দয়া করে আমি কেবল একটি মাল্টিলেভেলের মডেল ফিট করব বলে পরামর্শ দেওয়ার পরিবর্তে ক্লাস্টার্ড এসই বনাম এফইএস এর উপকারিতা এবং বিষয়গুলি আলোচনা করুন))

উত্তর:


22

উভয় পন্থা, গ্রুপ ফিক্সড ইফেক্ট এবং / অথবা ক্লাস্টার-অ্যাডজাস্ট করা স্ট্যান্ডার্ড ত্রুটি ক্লাস্টার (বা প্যানেল) ডেটা সম্পর্কিত বিভিন্ন সমস্যা বিবেচনা করে এবং আমি এগুলিকে স্বতন্ত্র পদ্ধতির হিসাবে স্পষ্ট দেখতে পাব। প্রায়শই আপনি উভয়টি ব্যবহার করতে চান:

প্রথমত, ক্লাস্টার-অ্যাডজাস্টার্ড স্ট্যান্ডার্ড ত্রুটি-ক্লাস্টারের পারস্পরিক সম্পর্ক বা হেটেরোসিসেস্টাস্টিকির জন্য যা আপনি আরও অনুমান করতে ইচ্ছুক না হলে নির্দিষ্ট প্রভাবগুলির হিসাবরক্ষককে বিবেচনায় না নেয়, সংক্ষিপ্তের একটি ভাল আলোচনার জন্য আইম্বেন্স এবং ওয়ালড্রিজ বক্তৃতা স্লাইডগুলি দেখুন এবং লম্বা প্যানেল এবং এই সমস্যা সম্পর্কিত বিভিন্ন সমস্যা । ক্যামেরন এবং মিলার এই বিষয় সম্পর্কে একটি অভিনব কাগজও রয়েছে: ক্লাস্টার-রোবস্ট ইনফারেন্সের অনুশীলনকারীদের গাইড যা আপনার জন্য আকর্ষণীয় হতে পারে। আপনি যদি ভেরিয়েন্স-কোভেরিয়েন্স ম্যাট্রিক্সের মডেল করতে চান না এবং আপনি সন্দেহ করেন যে ক্লাস্টারের মধ্যে পারস্পরিক সম্পর্ক রয়েছে তবে আমি ক্লাস্টার শক্তসমর্থ স্ট্যান্ডার্ড ত্রুটি ব্যবহার করার পরামর্শ দিচ্ছি কারণ আপনার এসই এর পক্ষপাতটি মারাত্মক হতে পারে (ভিন্ন ভিন্নতার চেয়ে অনেক বেশি সমস্যাযুক্ত, দেখুন)এই বিষয়টির আলোচনার জন্য অ্যাঞ্জিস্ট এবং পিসচে অধ্যায় III.8 তবে আপনার পর্যাপ্ত ক্লাস্টার প্রয়োজন (অ্যাংজিস্ট এবং পিসচে থাম্বের ভূমিকা হিসাবে 40-50 বলে)) ক্লাস্টার-সমন্বিত স্ট্যান্ডার্ড ত্রুটি অ্যাকাউন্টের স্ট্যান্ডার্ড ত্রুটিটি গ্রহণ করে তবে আপনার পয়েন্টের অনুমানগুলি অপরিবর্তিত রাখুন (স্ট্যান্ডার্ড ত্রুটি সাধারণত উপরে উঠে যাবে)!

স্থির-প্রভাবের অনুমান অ্যাকাউন্টে অনাবদ্ধ সময়-অবিস্মরণীয় বৈজাতীয়তা (যেমন আপনি উল্লেখ করেছেন) গ্রহণ করে। এটি ভাল বা খারাপ হতে পারে: হাতের সামঞ্জস্যপূর্ণ অনুমানের জন্য আপনার কম অনুমানের প্রয়োজন। অন্যদিকে, আপনি প্রচুর বৈকল্পিকতা ফেলে দেন যা কার্যকর হতে পারে। অ্যান্ড্রু গেলম্যানের মতো কিছু লোক স্থির প্রভাবগুলির তুলনায় শ্রেণিবদ্ধ মডেলিং পছন্দ করেন তবে এখানে মতামত পৃথক। ফিক্সড-এফেক্টস অনুমান, বিন্দু এবং অন্তর অন্তর উভয়ই পরিবর্তিত করবে (এছাড়াও এখানে স্ট্যান্ডার্ড ত্রুটি সাধারণত বেশি হবে)।

সুতরাং সংক্ষিপ্তসার হিসাবে: ক্লাস্টার ডেটা সম্পর্কিত স্ট্যান্ডার্ড ত্রুটি হ'ল ক্লাস্টার ডেটা সম্পর্কিত সম্ভাব্য সমস্যাগুলির জন্য অ্যাকাউন্ট করার একটি সহজ উপায় যদি আপনি মডেলিং আন্তঃ এবং আন্তঃক্লাস্টার পারস্পরিক সম্পর্ক (এবং পর্যাপ্ত ক্লাস্টার উপলব্ধ থাকে) নিয়ে বিরক্ত করতে না চান। ফিক্সড-এফেক্টস অনুমান কেবলমাত্র কিছু নির্দিষ্ট প্রকরণ ব্যবহার করবে, সুতরাং আপনি কম বৈচিত্রের ভিত্তিতে প্রাক্কলন করতে চান কিনা তা আপনার মডেলের উপর নির্ভর করে। তবে আরও অনুমান ছাড়াই স্থির-প্রতিক্রিয়া অনুমানটি ভেরিয়েন্স ম্যাট্রিক্সের জন্য ইন্ট্রা-ক্লাস্টার সম্পর্কিত সম্পর্কিত সমস্যাগুলির যত্ন নেবে না। উভয়ই ক্লাস্টার-মজবুত মানক ত্রুটি স্থির-প্রতিক্রিয়া অনুমানের ব্যবহার সম্পর্কিত সমস্যাটিকে বিবেচনায় নেবে না।


2
ভালো সাড়া. বাকী মূল কীটি হল যে কেউ কেন দু'জন চাইবে। Imbens এবং ওয়াল্ড্রিজ কিছু পরিমাণে এটি কভার করে।
QuestionAnswer

14

স্থায়ী প্রভাবগুলি হ'ল আপনার ডেটাতে বিভিন্ন গোষ্ঠী বিহীন সংরক্ষণযোগ্য বৈজাতীয়তা অপসারণ করার জন্য।

আমি স্বীকৃত প্রতিক্রিয়াটির সাথে জড়িত বিষয়গুলির সাথে একমত নই যে আপনি "কম বৈচিত্র্য" ব্যবহার করতে চান কিনা তার উপর কোনও এফই মডেল ব্যবহারের সিদ্ধান্ত নির্ভর করবে। যদি আপনার নির্ভরশীল পরিবর্তনশীল আপনার প্যানেলের বিভিন্ন গোষ্ঠীগুলিতে নিয়মতান্ত্রিকভাবে পরিবর্তিত হয় এমন অবিবেশনযোগ্য ভেরিয়েবল দ্বারা প্রভাবিত হয়, তবে এই পরিবর্তনের সাথে সম্পর্কিত কোনও ভেরিয়েবলের সহগটি পক্ষপাতদুষ্ট হবে। আপনার এক্স ভেরিয়েবলগুলি এলোমেলোভাবে বরাদ্দ করা না হলে (এবং এগুলি কখনও পর্যবেক্ষণের ডেটাতে থাকবে না), বাদ দেওয়া ভেরিয়েবল পক্ষপাতিত্বের পক্ষে যুক্তিটি তৈরি করা প্রায়শই সহজ easy আপনি পারেকন্ট্রোল ভেরিয়েবলের একটি ভাল তালিকা সহ বাদ দেওয়া কিছু ভেরিয়েবলের জন্য নিয়ন্ত্রণ করতে সক্ষম হোন, তবে শক্তিশালী সনাক্তকরণটি যদি আপনার 1 নম্বর লক্ষ্য হয় তবে এমনকি নিয়ন্ত্রণের একটি বিস্তৃত তালিকা সমালোচক পাঠকদের আপনার ফলাফল নিয়ে সন্দেহ করার অবকাশ রাখতে পারে। এই ক্ষেত্রে, স্থির-প্রতিক্রিয়া মডেলটি ব্যবহার করা সাধারণত ভাল ধারণা।

ক্লাস্টার্ড স্ট্যান্ডার্ড ত্রুটিগুলি সেই পরিস্থিতিতে হিসাবরক্ষণের জন্য যেখানে প্রতিটি গ্রুপের সাথে পর্যবেক্ষণগুলি আইড নয় (স্বতন্ত্র এবং অভিন্নভাবে বিতরণ করা হয়েছে)।

একটি ক্লাসিক উদাহরণ হ'ল যদি আপনার সময়কালে ফার্মগুলির প্যানেলের জন্য অনেক পর্যবেক্ষণ থাকে। আপনি দৃ firm়-স্তরের স্থির প্রভাবগুলির জন্য অ্যাকাউন্ট করতে পারেন, তবে আপনার নির্ভরশীল ভেরিয়েবলে এখনও কিছু অব্যক্ত ভিন্নতা থাকতে পারে যা সময়ের সাথে সম্পর্কিত। সাধারণভাবে, সময়-সিরিজের ডেটা নিয়ে কাজ করার সময়, সাধারণত আপনার গোষ্ঠীর মধ্যে ত্রুটির শর্তাবলী টেম্পোরাল ক্রমিক সম্পর্কটি ধরে নেওয়া নিরাপদ। এই পরিস্থিতিগুলি ক্লাস্টার্ড এসইগুলির জন্য সর্বাধিক সুস্পষ্ট ব্যবহারের কেস।

উদাহরণস্বরূপ কয়েকটি উদাহরণ:

আপনার যদি পরীক্ষামূলক ডেটা থাকে যেখানে আপনি এলোমেলোভাবে চিকিত্সা বরাদ্দ করেন তবে সময়ের সাথে সাথে প্রতিটি ব্যক্তি / গোষ্ঠীর জন্য পুনরাবৃত্তি পর্যবেক্ষণ করেন, আপনি স্থির প্রভাবগুলি বাদ দিয়ে ন্যায়সঙ্গত হতে পারবেন, তবে আপনার এসইএসগুলিকে ক্লাস্টার করতে চান।

বিকল্পভাবে, অ-পরীক্ষামূলক তথ্যগুলির জন্য আপনার প্রতি গ্রুপে অনেক পর্যবেক্ষণ থাকলেও -দ্বিতীয়-গ্রুপ পর্যবেক্ষণকে তাদের বৃহত্তর গ্রুপ থেকে আইডির অঙ্ক হিসাবে বিবেচনা করা যেতে পারে (উদাহরণস্বরূপ, অনেক স্কুল থেকে আপনার পর্যবেক্ষণ রয়েছে তবে প্রতিটি গ্রুপ একটি এলোমেলোভাবে আঁকা সাবসেট) তাদের বিদ্যালয়ের শিক্ষার্থীদের), আপনি নির্দিষ্ট প্রভাবগুলি অন্তর্ভুক্ত করতে চাইবেন তবে ক্লাস্টার্ড এসইএস লাগবে না।


2

এই উত্তরগুলি ঠিক আছে তবে সবচেয়ে সাম্প্রতিকতম এবং সর্বোত্তম উত্তরটি Abadie et al সরবরাহ করেছেন। (2019) "কখন আপনার ক্লাস্টারিংয়ের জন্য স্ট্যান্ডার্ড ত্রুটিগুলি সমন্বয় করা উচিত?" স্থির প্রতিক্রিয়া সহ, ক্লাস্টারের একটি প্রধান কারণ হ'ল আপনার ক্লাস্টারগুলিতে চিকিত্সার প্রভাবগুলির মধ্যে বৈচিত্র্য রয়েছে। অন্যান্য কারণ রয়েছে, উদাহরণস্বরূপ যদি ক্লাস্টারগুলি (যেমন ফার্মগুলি, দেশগুলি) জনসংখ্যার ক্লাস্টারগুলির একটি উপসেট হয় (যার সম্পর্কে আপনি অনুমান করছেন)। ক্লাস্টারিং হ'ল ডিজাইন ইস্যুটি কাগজের মূল বার্তা। অন্ধভাবে এটি করবেন না।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.