ভূমিকা
বিষয়টিতে আমার আগ্রহ এখন প্রায় 7 বছর এবং পিএইচডি থিসিস সময় সিরিজের ফলস্বরূপ : সমষ্টি, একত্রিতকরণ এবং দীর্ঘ স্মৃতি , যেখানে এআর (1) প্রকল্পের জন্য ক্রস-বিভাগীয় বৈষম্য সমস্যার নির্দিষ্ট প্রশ্নের দিকে মনোযোগ দেওয়া হয়েছিল।
উপাত্ত
সংঘবদ্ধকরণের জন্য বিভিন্ন পদ্ধতির সাথে কাজ করা আপনার প্রথম প্রশ্নটি পরিষ্কার করা দরকার যে আপনি কোন ধরণের ডেটা নিয়ে কাজ করেন (আমার অনুমান স্থানিক, সবচেয়ে উত্তেজনাপূর্ণ একটি)। অনুশীলনে আপনি অস্থায়ী একত্রিকরণ বিবেচনা করতে পারেন (দেখুন সিলভেস্ট্রিনি, এ এবং ভারিদাস, ডি। (২০০৮) ) ক্রস-বিভাগীয় (আমি গ্রানজার, সিডাব্লুজেজে (1990) এর নিবন্ধটি পছন্দ করতাম ) বা সময় এবং স্থান উভয়ই (স্থানিক সমষ্টি সুন্দরভাবে জরিপ করা হয়েছে মধ্যে Giacomini, আর এবং গ্রেঞ্জার CWJ (2004) )।
উত্তর (দীর্ঘ)
এখন, আপনার প্রশ্নের উত্তর দিয়ে, আমি প্রথমে কিছুটা অন্তর্দৃষ্টি দিয়েছি। যেহেতু আমি অনুশীলনে আমার যে সমস্যার মুখোমুখি হয় তা প্রায়শই নিখুঁত ডেটা (অ্যান্ডির অনুমান) এর উপর ভিত্তি করে
আপনি যথাযথতার যে কোনও স্তরে পর্যবেক্ষণের একটি সময় সিরিজ পরিমাপ করতে পারেন
ম্যাক্রো-একনোমেট্রিক্সের জন্য খুব শক্তিশালী বলে মনে হচ্ছে তবে আর্থিক এবং মাইক্রো-ইকোনোমেট্রিক্স বা কোনও পরীক্ষামূলক ক্ষেত্রের পক্ষে ভাল, আপনি যদি যথার্থতাটি বেশ ভালভাবে নিয়ন্ত্রণ করেন তবে) আমি মনে রাখতে হবে যে আমার মাসিক সময় ধারাবাহিকটি যখন আমি কাজ করি তার চেয়ে কম সুনির্দিষ্ট বার্ষিক তথ্য। কমপক্ষে সামষ্টিক অর্থনীতিতে আরও ঘন ঘন সময় সিরিজ ছাড়াও মরসুমী নিদর্শন রয়েছে , এটি উত্সাহী হতে পারেফলাফল (মৌসুমী অংশগুলি ধারাবাহিকের সাথে সম্পর্কিত নয়), সুতরাং আপনার allyতু অনুযায়ী আপনার ডেটা সামঞ্জস্য করতে হবে - উচ্চতর ফ্রিকোয়েন্সি ডেটার জন্য আরও ছোট স্পষ্টতার অন্য উত্স। ক্রস-বিভাগীয় তথ্য নিয়ে কাজ করে প্রকাশিত হয়েছিল যে উচ্চ স্তরের একত্রিতকরণ সম্ভবত আরও অনেক সমস্যা নিয়ে আসে, যার সাথে মোকাবিলা করার জন্য প্রচুর শূন্য রয়েছে। উদাহরণস্বরূপ, ডেটা প্যানেলে কোনও নির্দিষ্ট পরিবার প্রতি 5-10 বছরে একবার গাড়ি কিনতে পারে, তবে নতুন (ব্যবহৃত) গাড়িগুলির সামগ্রিক চাহিদা খুব মসৃণ (এমনকি একটি ছোট শহর বা অঞ্চলেও)।
দুর্বলতম বিন্দু অ্যাগ্রিগেশন সবসময় ফলাফল তথ্য হারানোর, পুরো দশক আপনি ইইউ দেশগুলির ক্রস-বিভাগ দ্বারা উত্পাদিত জিডিপি থাকতে পারে (2001-210 এর সময়কালের কথা বলুন), তবে বিশদ প্যানেল ডেটা সেট বিবেচনা করে আপনার বিশ্লেষণে উপস্থিত সমস্ত গতিশীল বৈশিষ্ট্য আপনি looseিলা করবেন। বৃহত আকারের ক্রস-বিভাগীয় সমষ্টি আরও আকর্ষণীয় হয়ে উঠতে পারে: আপনি প্রায় মোটামুটি সহজ জিনিসগুলি নিন (সংক্ষিপ্ত স্মৃতি এআর (1)) এগুলি বেশ বড় জনসংখ্যার তুলনায় গড়ে গড়ে নিন এবং "প্রতিনিধি" দীর্ঘ মেমরি এজেন্ট পান যা কোনও মাইক্রোটির সাথে মিল নেই get ইউনিট (প্রতিনিধি এজেন্টের ধারণার আরও একটি পাথর)। সুতরাং সামগ্রিককরণ information তথ্য হ্রাস the বস্তুর বিভিন্ন বৈশিষ্ট্য এবং আপনি এই ক্ষতির স্তর এবং / অথবা নতুন বৈশিষ্ট্যগুলি নিয়ন্ত্রণ করতে চান। আমার মতে, যথাসম্ভব উচ্চ ফ্রিকোয়েন্সিতে সুনির্দিষ্ট মাইক্রো স্তরের ডেটা থাকা ভাল তবে, ...
প্রযুক্তিগতভাবে যে কোনও রিগ্রেশন বিশ্লেষণ তৈরি করার সময় আপনার আরও কম জায়গা (স্বাধীনতার ডিগ্রি) প্রয়োজন কম বা কম আত্মবিশ্বাসী হওয়ার জন্য (কমপক্ষে) পরিসংখ্যানগতভাবে আপনার ফলাফলগুলি আবর্জনা নয়, যদিও তারা এখনও তাত্ত্বিক এবং আবর্জনা হতে পারে :) সুতরাং আমি সমান রাখি না 1 এবং 2 প্রশ্নের ওজন (সাধারণত ম্যাক্রো-বিশ্লেষণের জন্য ত্রৈমাসিক ডেটা চয়ন করুন)। 3 য় উপ-প্রশ্নের উত্তরের জন্য, আপনি সমস্ত প্রয়োগিক অ্যাপ্লিকেশনগুলিতে সিদ্ধান্ত নেবেন যে আপনার কাছে আরও কী গুরুত্বপূর্ণ: আরও সুনির্দিষ্ট ডেটা বা স্বাধীনতার ডিগ্রি। যদি আপনি উল্লিখিত অনুমানটি বিবেচনায় নেন তবে আরও বিশদ (বা উচ্চতর ফ্রিকোয়েন্সি) ডেটা পছন্দনীয়।
সম্ভবত উত্তরটি পরে সম্পাদিত হবে যদি কিছু থাকে তবে কিছু আলোচনা করার পরে।