ইন্সট্রুমেন্টাল ভেরিয়েবল হিসাবে কেন পিছিয়ে ডিভি ব্যবহার করবেন?

Question

আমি কিছু ডেটা অ্যানালাইসিস কোড উত্তরাধিকার সূত্রে পেয়েছি যা একনোমেট্রিশিয়ান না হয়ে আমি বুঝতে লড়াই করছি। একটি মডেল নিম্নলিখিত স্টাটা কমান্ডের সাথে একটি ইনস্ট্রুমেন্টাল ভেরিয়েবল রিগ্রেশন চালায়

ivreg my_dv var1 var2 var3 (L.my_dv = D2.my_dv D3.my_dv D4.my_dv)

এই ডেটাসেটটি ভেরিয়েবলগুলির এই সেটটির জন্য একাধিক অনুক্রমিক পর্যবেক্ষণ সহ একটি প্যানেল।

এই কোডটি ডিভিটির পিছনে থাকা মানগুলিকে যন্ত্র হিসাবে কেন ব্যবহার করছে? আমি যেমন এটি বুঝতে পারি (পুরানো পাঠ্যপুস্তকটি খনন করে), ত্রুটি শব্দটির সাথে কোনও রেজিস্ট্রারের সাথে সম্পর্কযুক্ত হওয়ার কারণে কোনও সমস্যা হলে আইভি অনুমান ব্যবহৃত হয়। তবে ডিভিয়ের ল্যাগগুলি যন্ত্র হিসাবে বেছে নেওয়ার কিছুই উল্লেখ করা হয়নি।

কোডের এই লাইনে একটি মন্তব্যে "কার্যকারিতা" উল্লেখ রয়েছে। এখানে লক্ষ্যটি কী ছিল তা নির্ধারণে যে কোনও সহায়তা সর্বাধিক স্বাগত জানানো হবে।

Comments

আপনার প্রশ্ন থেকে আপনি কোডটি কিছুটা ভুল পড়তে পারেন। সিনট্যাক্স নির্ভরশীল ভেরিয়েবলের ল্যাগটি অনুমান করতে "যন্ত্রগুলি" হিসাবে পার্থক্যগুলি ব্যবহার করছে।

— অ্যান্ডি ডব্লিউ

লারা: আপনি কি সরল পদক্ষেপে স্ট্যাটাস কোডটির স্নিপযুক্ত অর্থটি ব্যাখ্যা করতে নিজের প্রশ্নটি সম্পাদনা করতে পারবেন?

— ব্যবহারকারী 60

Answer 1

সম্পাদনা করুন: নীচে অ্যান্ডি ডাব্লু দ্বারা প্রদত্ত স্টাটা কোড সম্পর্কে স্পষ্টতা দেওয়া, আমি প্রশ্নের উত্তরটি আরও ভালভাবে উত্তর দেওয়ার জন্য আমার উত্তরটি পরিবর্তন করেছি। আপনি আমার উত্তরটির পুরানো সংস্করণটি বর্তমানের নীচে পাবেন।

দেখে মনে হচ্ছে আপনার কোডটি ডিআইওয়াই'র আরেল্লানো-বন্ড অনুমানকারী (2SOLS দিয়ে আইভ্রেগের অনুমান অনুমান করে) করার একটি আনাড়ি প্রচেষ্টা। আপনি ব্যবহার করুন এবং একটি / বি মূল্নির্ধারক যুক্তি আরও বিশদের জানতে পারেন এই সুন্দর পর্যালোচনা কাগজে সেইসাথে মধ্যে এই বৃহত্তর ভূমিকা।

সংক্ষেপে এবং 3 টি লাইনের মধ্যে: যদিও এ / বি অনুমানকারী প্রকৃতপক্ষে একটি (সাধারণীকরণ) চতুর্থ অনুমানকারী, তবে এটি কার্যকারণের কোনও সমস্যা সমাধানের জন্য ব্যবহৃত হয় না। এই প্রসঙ্গে আইভির প্যানেল ডেটা প্রসঙ্গে এআর সহগের দক্ষ অনুমান সরবরাহ করতে ব্যবহৃত হয়।

আমি এখানে চাকাটি পুনরায় উদ্ভাবনের বিরুদ্ধে সুপারিশ করব এবং এর পরিবর্তে এই জাতীয় অনুমান করার জন্য তৈরি সরঞ্জাম বাক্স ব্যবহার করব। স্টাটার জন্য, আপনি XTABOND2 (বা আপনি STAT11 চালাচ্ছেন XTABOND) প্যাকেজটি ব্যবহার করতে পারেন ।

---

পুরানো প্রতিক্রিয়া:

একটি সাধারণ উদাহরণ আপনাকে এখানে সহায়তা করবে। ধরুন আপনি দুই পরিবর্তনশীল আছে এবং Y টি সময়ের নমুনা যেমন যে মধ্যে পারস্পরিক এক্স টি এবং Y টি খুবই বেশী। আপনার কাছে আরো একটি দাবি করতে চাই এক্স টি ঘটাচ্ছে Y টি কিন্তু দুর্ভাগ্যবশত সেখানে একটি খুব ভাল প্রতিদ্বন্দ্বী ও বিশ্বাসযোগ্য তত্ত্ব বয়সী Y টি কারণ এক্স টি ।$x_t$$y_t$$x_t$$y_t$$x_t$$y_t$$y_t$$x_t$

দুই প্রতিদ্বন্দ্বী মডেল ছাড়ান করার জন্য, আপনাকে প্রত্যাবর্তন উপর এক্স টি - 1 (পরিবর্তে এক্স $y_t$$x_{t-1}$$x_t$ ) । প্রায়শই, আপনি যথাযথভাবে হারাবেন (অর্থাত্ বিভিন্ন সময়ে নমুনাযুক্ত ভেরিয়েবলের মধ্যে পারস্পরিক সম্পর্ক সাধারণত একসাথে ভেরিয়েবলের মধ্যে পারস্পরিক সম্পর্কের চেয়ে কম)।

$y_t\leftarrow x_{t-1}$$x_{t-1} \leftarrow y_{t}$$x$$y$

$y_t$$x_{t-1}$$I(0)$

Comments

+1 এটি সম্পর্কে DIY আরেল্লানো-বন্ডের মতো দেখতে এই ব্যাখ্যাটির সাথে একমত হন। এনবি: আমি কেবল তখনই আর্ল্লানো-বন্ডকে বিশ্বাসযোগ্য বলে খুঁজে পেয়েছি যখন ক্রস-বিভাগীয় ইউনিটের সংখ্যা খুব বড় --- যেমনটি অনেক শত। আরেল্লানো তার নিবন্ধ এবং পাঠ্যপুস্তকে যতটা ইঙ্গিত দিয়েছিল যে ইঙ্গিত দেয় যে ক্রস বিভাগের ইউনিটের সংখ্যা রয়েছে, এবং রূপান্তর হার এত দ্রুত নয়।

— সাইরাস এস

Answer 2

আমি স্টাটা জানি না, তাই আমি নির্দিষ্ট মডেলটিতে মন্তব্য করতে পারি না। সাধারণভাবে যুগপত পক্ষপাতের মোকাবেলা এবং বিশেষত যন্ত্রের ভেরিয়েবলগুলি তৈরি করার সময় ল্যাগেড ভেরিয়েবলগুলির ব্যবহার মোটামুটি সাধারণ পদ্ধতি।

বলুন যে আপনার মডেলটিতে দুটি ভেরিয়েবলের মধ্যে আপনার মতামত রয়েছে: স্বতন্ত্র ভেরিয়েবল (যেমন দাম) এবং নির্ভরশীল ভেরিয়েবল (যেমন পরিমাণ)) তারপরে উভয়ই অন্তঃসত্ত্বা (তাদের কারণগুলি মডেলের মধ্যে থেকে উত্থিত হয়) এবং ত্রুটি শব্দটির প্রতিচ্ছবি উভয় ভেরিয়েবলকে প্রভাবিত করবে ।

এটি সমাধানের জন্য, আপনি স্বাধীন ভেরিয়েবল (দাম) কে বহির্মুখী করতে চান যাতে ত্রুটির খণ্ডন কেবল নির্ভরশীল পরিবর্তনশীল (পরিমাণ )কে প্রভাবিত করে। দামে আপনার মডেলটিতে অন্যান্য বহিরাগত ভেরিয়েবলগুলি পুনরায় চাপিয়ে নতুন এক্সজিওনীয় ভেরিয়েবলগুলি তৈরি করে এটি সম্পন্ন হয়। এই নতুন এক্সওজিনিয়াস ভেরিয়েবলগুলি হ'ল আপনার উপকরণ ভেরিয়েবল (আইভি) ( আইভিগুলি এক্সোজিনিয়াস পদ থেকে প্রাপ্ত এবং এইভাবে ত্রুটির সাথে সম্পর্কিত হয় না।

তবে এটি করার জন্য, আপনাকে কোন ভেরিয়েবলগুলি বহিরাগত বলে চিহ্নিত করতে হবে যাতে তারা আইভিগুলি প্রাপ্ত করতে ব্যবহার করতে পারে। আমরা লক্ষ করতে পারি যে পিছিয়ে থাকা ভেরিয়েবলগুলি অতীতে "ঘটেছে" এবং সুতরাং বর্তমানের ত্রুটির সাথে সম্পর্কযুক্ত হতে পারে না। ল্যাগেড ভেরিয়েবলগুলি এইভাবে বহিরাগত এবং আইভিগুলি প্রাপ্ত করার জন্য সুবিধাজনক প্রার্থী হয়ে ওঠে। (তবে, মনে রাখবেন যে ত্রুটিগুলি স্বতঃসংশ্লিষ্ট হলে পূর্বের যুক্তিটি ব্যর্থ হয়))

একটি ভাল ভূমিকা এবং এই রেফারেন্স একটি আধুনিক পদ্ধতির: কোয়ান্টাম ইকোনোমেট্রিক্স Wooldridge দ্বারা।

Answer 3

নীচের কোড স্নিপেটের সাথে পরিচিত নয় তাদের জন্য স্টাটা ওপি সরবরাহ করেছেন

ivreg my_dv var1 var2 var3 (L.my_dv = D2.my_dv D3.my_dv D4.my_dv)

এই সমীকরণ হিসাবে পড়া যেতে পারে

$Y_t = \alpha + \beta_1 (Var1) + \beta_2 (Var1) + \beta_3 (Var1) + \beta_4 (\tilde{Y}_{t-1})$

$\tilde{Y}_{t-1}$

$\tilde{Y}_{t-1} = \alpha + Z_1(\Delta^{2}Y_t) + Z_2(\Delta^{3}Y_t) + Z_3(\Delta^{4}Y_t)$

(অর্থাত্ চতুর্থ সমীকরণের প্রথম স্তরটি স্টাটা কোডের প্রথম বন্ধনের মধ্যে রয়েছে)

ডেল্টাগুলি দ্বিতীয়, তৃতীয় এবং চতুর্থ ক্রমের পার্থক্য উপস্থাপন করে এবং নির্ভরশীল ভেরিয়েবলের ব্যবধানটি অনুমান করার জন্য এগুলি বাদ দেওয়া যন্ত্র হিসাবে ব্যবহৃত হয়।

L.$t-1$D.D2.

কেউ কেন এটি করবে তা মূলত কোনও যৌক্তিক যুক্তি নিয়ে ভাবতে পারিনি। তবে কোয়াক নির্দেশ করেছেন (এই কাগজটি উল্লেখ করেছেন ) যে আরেল্লানো-বন্ড পদ্ধতিটি ভিন্নতার সাথে মডেলটির স্বতঃ-সংবেদনশীল উপাদানটি অনুমান করার জন্য যন্ত্র হিসাবে ব্যবহার করে। (এছাড়াও অভ্যন্তরীণভাবে আমি ধরে নিয়েছি যে পার্থক্যগুলি কেবল তখনই প্রভাব ফেলবে যদি সিরিজটি স্থির হয় না, বন্ড যে লিঙ্কড পেপারে বলেছে যে সিরিজটি এলোমেলো পদক্ষেপের ক্ষেত্রে কেবলমাত্র দুর্বল যন্ত্র হবে) পৃষ্ঠা 21 )

ইনস্ট্রুমেন্টাল ভেরিয়েবলের ভূমিকা হিসাবে আরও পড়ার উপাদানগুলির পরামর্শ হিসাবে,

এই প্রতিক্রিয়াতে একটি পোস্টার (চার্লি) কয়েকটি স্লাইডগুলির সাথে লিঙ্ক করেছে যা তিনি প্রস্তুত করেছেন যা আমি পছন্দ করি এবং পরামর্শ দেব যে ইন্সট্রুমেন্টাল ভেরিয়েবলগুলির জন্য একটি ইন্ট্রো সন্ধান করা উপযুক্ত। আমি এই পাওয়ারপয়েন্টটিকে আমার একটি প্রফেসর হিসাবে পরিচিতির পাশাপাশি ওয়ার্কশপের জন্য প্রস্তুত পরামর্শ দেব suggest ইন্সট্রুমেন্টাল ভেরিয়েবলগুলি সম্পর্কে আরও শিখতে আগ্রহী যে কারও জন্য সর্বশেষ পরামর্শ হিসাবে আপনার উচিত জোশুয়া অ্যাংজিস্টের কাজ সন্ধান করা।

এই আমার প্রাথমিক উত্তর

---

L.$t-1$D.D2.

আমি যে সমস্ত অ্যাপ্লিকেশনটিতে দেখেছি, লোকেরা নির্ভরশীল ভেরিয়েবলের পিছনে অনুমান করার জন্য যন্ত্র হিসাবে স্বতন্ত্র ভেরিয়েবলের ল্যাগটি ব্যবহার করে (কারণগুলির জন্য আলোচনার জন্য)। তবে এই অনুমানের উপর ভিত্তি করে যে পিছিয়ে থাকা স্বতন্ত্র ভেরিয়েবলগুলি প্রয়োগ করা হচ্ছে সেই সময়কালে ত্রুটি শর্তে বহিরাগত।

নির্ভরযোগ্য ভেরিয়েবলের পার্থক্যকে বহিরাগত হিসাবে বিবেচনা করা হবে এমন কোনও যুক্তি আমি জানি না। যতদূর আমি অবগত রয়েছি যে সমীকরণের কেবলমাত্র এক দিকে পার্থক্য করা অনুশীলনকে গ্রহণ করা হবে না এবং বরং অযৌক্তিক ফলাফল এনে দেবে ( এখানে এমন একটি কাগজ যা বিপরীত পরিস্থিতি সম্পর্কে কাউকে সমালোচনা করে যার মধ্যে তারা ভবিষ্যদ্বাণী হিসাবে পরিবর্তনশীল স্তরকে অন্তর্ভুক্ত করেছিল) একটি স্বতন্ত্র সিরিজ)

যদিও এর সহজ উত্তরটি কোডটি লিখেছেন এমন ব্যক্তিকে জিজ্ঞাসা করা হবে, কেউ কি একটি উদাহরণ দিতে পারেন যাতে এই পদ্ধতিটি গ্রহণযোগ্য হবে, বা এই পদ্ধতিতে কোনও অর্থবহ ফলাফল পাওয়া যাবে এমন কোন পরিস্থিতিতে? হিসাবে আমি কোনও যৌক্তিক যুক্তি নিয়ে ভাবতে পারি না যে সিরিজটি স্থির নয়, বাদে কেন পার্থক্যগুলি স্তরের উপর প্রভাব ফেলবে।

Comments

হাই অ্যান্ডি. আমি স্টাটা কোড জানি না। এজন্য আমি আমার উত্তরে স্নিপড কোডটি উল্লেখ করি না, যা ইংরেজিতে প্রণয়ন করা প্রশ্নের অংশের প্রতিক্রিয়া হিসাবে বুঝতে হবে।

— ব্যবহারকারী 60

@ কেওয়াক - আমি আপনার পোস্টের সমালোচনা করছিলাম না, আপনি যা বলেছেন তার সাথে আমি সম্মত। আমি কেবল ভাবছিলাম যে যদি কোনও বিষয়গুলি সম্পর্কে আমি অজানা থাকি তবে কেন কেউ এই পার্থক্যগুলি ব্যবহার করবে সে সম্পর্কে কিছু যুক্তি রয়েছে কিনা। পার্থক্যগুলি এমন পদ্ধতির কোনও প্রয়োজনীয়তার সাথে মেলে এমন কোনও পরিস্থিতি আমি কল্পনাও করতে পারি না।

— অ্যান্ডি ডাব্লু

হাই অ্যান্ডি:> আমি আপনাকে সমালোচক হিসাবে মন্তব্য করে নি নি। আপনার পোস্টটি রব এবং আমি (স্বীকারোক্তিকর) কেউই বুঝতে পারি নি এমন প্রশ্নের মূল দিকটি হাইলাইট করছে। যদি কিছু হয় তবে এটি সহযোগিতার গুরুত্ব চিত্রিত করে।

— ব্যবহারকারী 60

+1 টি। এর আগে এই সমস্ত কিছুটি দেখেনি - স্টাটা নোটেশনে ক্র্যাশ / মিনি কোর্সটি পাশাপাশি বিষয়টি উল্লেখ করার জন্য ধন্যবাদ। আমি আপনার প্রথম মন্তব্যটি বোঝানোর জন্য ব্যাখ্যাটি ভুল হয়ে গেছে এবং খুব সাধারণ অর্থে উত্তর দিয়েছি। আমি আনন্দিত যে আপনি আরও অধ্যবসায়ী ছিলেন এবং সেই কোয়াকটি এটি আবিষ্কার করেছিল।

— Ars