Модель случайных эффектов - Random effects model
Часть серии по |
Регрессионный анализ |
---|
Модели |
Оценка |
Задний план |
В статистике модель случайных эффектов , также называемая моделью компонентов дисперсии , представляет собой статистическую модель, в которой параметры модели являются случайными величинами . Это своего рода иерархическая линейная модель , которая предполагает, что анализируемые данные взяты из иерархии различных групп населения, различия которых связаны с этой иерархией. В эконометрике модели случайных эффектов используются в панельном анализе иерархических или панельных данных, когда не предполагается никаких фиксированных эффектов (это допускает индивидуальные эффекты). Модель случайных эффектов - это частный случай смешанной модели .
Сравните это с определениями биостатистики , поскольку биостатистики используют «фиксированные» и «случайные» эффекты для обозначения, соответственно, средних и специфических для каждой популяции эффектов (и там, где последние обычно считаются неизвестными, скрытыми переменными ).
Качественное описание
Модели случайных эффектов помогают контролировать ненаблюдаемую неоднородность, когда неоднородность постоянна во времени и не коррелирует с независимыми переменными. Эта константа может быть удалена из продольных данных с помощью разности, так как взятие первой разницы удалит все инвариантные во времени компоненты модели.
Можно сделать два общих предположения об индивидуальном конкретном эффекте: предположение о случайных эффектах и предположение о фиксированных эффектах. Предположение о случайных эффектах состоит в том, что индивидуальная ненаблюдаемая неоднородность не коррелирует с независимыми переменными. Предположение о фиксированном эффекте состоит в том, что индивидуальный конкретный эффект коррелирует с независимыми переменными.
Если предположение о случайных эффектах выполняется, то оценщик случайных эффектов более эффективен, чем модель с фиксированными эффектами. Однако, если это предположение не выполнено, то случайные эффекты оценка не соответствует .
Простой пример
Предположим, m крупных начальных школ выбраны случайным образом из тысяч в большой стране. Предположим также, что в каждой выбранной школе случайным образом выбраны n учеников одного возраста. Устанавливаются их баллы по стандартному тесту способностей. Пусть Y ij - результат j- го ученика i- й школы. Простой способ смоделировать отношения этих величин:
где μ - средний результат теста для всей совокупности. В этой модели U i - это случайный эффект для конкретной школы : он измеряет разницу между средним баллом в школе i и средним баллом по всей стране. Термин W ij представляет собой индивидуальный случайный эффект, т. Е. Это отклонение оценки j-го ученика от среднего значения для i-й школы.
Модель может быть дополнена дополнительными независимыми переменными, которые будут отражать различия в баллах между разными группами. Например:
где Sex ij - фиктивная переменная для мальчиков / девочек, а ParentsEduc ij регистрирует, скажем, средний уровень образования родителей ребенка. Это смешанная модель , а не модель чисто случайных эффектов, поскольку она вводит термины с фиксированными эффектами для определения пола и образования родителей.
Компоненты отклонения
Дисперсия Y Ij является суммой дисперсий τ 2 и σ 2 из U я и W IJ соответственно.
Позволять
быть средним не всех оценок в i- й школе, а тех , которые были получены в i- й школе, включенных в случайную выборку . Позволять
быть средней величиной .
Позволять
быть соответственно суммой квадратов из-за различий внутри групп и суммой квадратов из-за разницы между группами. Тогда можно показать, что
а также
Эти « ожидаемые средние квадраты » могут использоваться в качестве основы для оценки «компонентов дисперсии» σ 2 и τ 2 .
Параметр τ 2 также называют коэффициентом внутриклассовой корреляции .
Непредвзятость
В целом, случайные эффекты эффективны, и их следует использовать (по сравнению с фиксированными эффектами), если предположения, лежащие в их основе, считаются выполненными. Для того, чтобы случайные эффекты работали в школьном примере, необходимо, чтобы специфические для школы эффекты не коррелировали с другими ковариатами модели. Это можно проверить, запустив фиксированные эффекты, затем случайные эффекты и выполнив тест спецификации Хаусмана . Если тест отклоняется, то случайные эффекты смещаются, и фиксированные эффекты являются правильной процедурой оценки.
Приложения
Модели случайных эффектов, используемые на практике, включают модель договоров страхования Бюльмана и модель Фэя-Херрио, используемую для оценки малых территорий .
Смотрите также
- Модель Бюльмана
- Иерархическое линейное моделирование
- Фиксированные эффекты
- MINQUE
- Оценка ковариации
- Условная дисперсия
дальнейшее чтение
- Балтаги, Бади Х. (2008). Эконометрический анализ панельных данных (4-е изд.). Нью-Йорк, штат Нью-Йорк: Wiley. С. 17–22. ISBN 978-0-470-51886-1.
- Сяо, Ченг (2003). Анализ панельных данных (2-е изд.). Нью-Йорк, Нью-Йорк: Издательство Кембриджского университета. стр. 73 -92. ISBN 0-521-52271-4.
- Вулдридж, Джеффри М. (2002). Эконометрический анализ поперечных и панельных данных . Кембридж, Массачусетс: MIT Press. С. 257–265 . ISBN 0-262-23219-7.