আপনি "অনুদৈর্ঘ্য" পরিবর্তনগুলি জিজ্ঞাসা করে আংশিকভাবে আপনার নিজের প্রশ্নের উত্তর দিন। ক্রস-বিভাগের ডেটা বলা হয় কারণ তারা সময়মতো একটি স্ন্যাপ শট নেয়, আক্ষরিক অর্থে একটি ক্রস-সেকশন একটি কাল-বিকশিত সমাজের সাথে বহু সম্পর্কের সাথে বিচ্ছিন্ন হয়ে যায়। অতএব, আপনি যে সর্বোত্তম অনুমানের আশা করতে পারেন তা হ'ল অনুমানের অধীনে যে আপনি যা পড়াচ্ছেন তা সময়-আক্রমণকারী, বা অন্তত এর বিবর্তনকে শেষ করেছেন।
অন্যদিকে, আপনি যে ডেটাটির সন্ধান করছেন তা হ'ল দ্রাঘিমাংশীয় ডেটা বা অর্থনীতিবিদদের প্যানেল ডেটা।
একটি ভাল রেফারেন্স যা বেশিরভাগ পদ্ধতি ব্যাখ্যা করে তবে অর্থনীতির দুটি বিশিষ্ট উদাহরণ এখানে তুলে ধরে । উদাহরণ ২.১ এর কোম্পানির বিনিয়োগের হার রয়েছে।
বিভাগ 3টি আরও কিছু তাত্ত্বিক তবে প্রচুর অন্তর্দৃষ্টি বহন করে: একটি প্যানেল ডেটা মডেল হতে পারে
yi,t=αyi,t−1+xi,tγ+ηi+vi,t.
এখন, এই ধরণের মডেল রাষ্ট্রের নির্ভরতা ক্যাপচার করতে পারে, যা লোকেরা কেন অন্যরকম আচরণ করে তার একটি সাধারণ ব্যাখ্যা (অরক্ষিত বৈপরীত্যের পাশে)। অতএব, আপনি যদি নির্দিষ্ট সময়ে নির্দিষ্ট সময়ে লোকজনের ভ্রমণ পর্যবেক্ষণ করেন তবে আপনার অজানা হবে, যার অর্থ গতকাল তাদের ভ্রমণ আবারো ভ্রমণের সিদ্ধান্তকে কতটা প্রভাবিত করেছে সে সম্পর্কে আপনি অবগত নন।α
এখন, সময়ের জন্য নির্ভরতা এক মুহুর্তের জন্য বন্ধ করুন তবে মনে রাখবেন যে এই সমীকরণটি সম্ভবত সত্য মডেল হতে পারে।
এখন একটি প্রস্থচ্ছেদ মডেল, আপনি সাবস্ক্রিপ্ট ড্রপ করবে সম্পূর্ণরূপে কারণ আপনি যদি শুধুমাত্র একটি সময়ের মধ্যে ডেটা নেই। অতএব, আপনার ডেটা সেটের প্রতিটি ব্যক্তির আলাদা , জন্য আপনার অ্যাকাউন্টিংয়ের কোনও সম্ভাবনাও নেই , যা কমপক্ষে সত্যিকারের মডেলটি গতিশীল হলে আপনার সাধারণভাবে উপরের দিকে । এটি অনাবৃত স্বতন্ত্র প্রভাবের কারণে সম্ভবত আপনি অতিসীমাবদ্ধতার কারণ হতে পারে (খুব সাধারণও হতে পারে), যা আপনি পরিমাপ করেননি তবে এটি আপনার ক্রস-বিভাগ অধ্যয়নের প্রতিফলিত হয়েছিল।η ′ i stη′is
এখন, আবার প্যানেল ডেটা লিখুন। আমরা কী করতে পারি তা প্রতিটি ভেরিয়েবলের সময়ের সাথে সাথে বিয়োগ করা হয় যা এর অর্থ প্রদত্ত সাথে ধ্রুবক থাকে এই শব্দটিকে বিলোপ করতে পারে। এই রূপান্তর (অন্যদের পক্ষেও সম্ভব) আপনাকে কেবল গতিবিদ্যায় মনোনিবেশ করতে দেয় (এবং বাস্তবে আপনি যে কোনও সময়-আক্রমণকারী রেজিস্ট্রার হারাবেন)।ηi
এখন, এটি ক্রস-বিভাগ এবং প্যানেল ডেটার মধ্যে প্রধান পার্থক্য। আপনি সময়-আক্রমণকারী প্রভাবটি মুছে ফেলতে পারেন কারণ আপনার সেই সময়টির বৈচিত্রটি আপনাকে এমন কিছু পক্ষপাত অপসারণ করতে দেয় যা ক্রস-বিভাগ অনুমান আপনাকে সনাক্ত করতে দেয় না। অতএব, আপনি ভ্রমণের ক্ষেত্রে উচ্চতর ট্যাক্সের মতো নীতি পরিবর্তনের বিষয়ে চিন্তাভাবনা করার আগে আপনি লোকেরা যাতায়াত প্রত্যাশা করছেন এবং আপনি আরও বেশি সরকারী উপার্জন চান, কয়েক বছরের বেশি সময় ধরে ঘটনাটি দেখে নেওয়া আরও কার্যকর হবে যাতে আপনি নিশ্চিত হন যে আপনি নন আপনার ভ্রমণের প্রবণতা হিসাবে ব্যাখ্যা করেন এমন আপনার নমুনায় অরক্ষিত বৈধতা ক্যাপচার করা।
এই মডেলগুলি অনুমান করার জন্য, রেফারেন্সটি দিয়ে যাওয়া ভাল। তবে সাবধান থাকুন: মানুষের আচরণ সম্পর্কে বিভিন্ন অনুমানগুলি বিভিন্ন অনুমানের প্রক্রিয়াটিকে গ্রহণযোগ্য বা না করে দেবে।
আশা করি এটা কাজে লাগবে!