Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Путеводитель по эконометрике. Кн. 2

Покупка
Артикул: 662179.03.99
Доступ онлайн
299 ₽
В корзину
Путеводитель по эконометрике Питера Кеннеди обращен ко всем, кто заинтересован в интуитивном введении в предмет эконометрики, избегающем сложных обозначений и технических деталей, которые характерны для большинства учебников по эконометрике. Необычная структура каждой главы книги и избранный стиль изложения позволяют студентам легче понять, что преподаватели делают, когда приводят доказательства теорем и выписывают формулы, зачастую весьма громоздкие. Такой стиль изложения сделал эту книгу весьма привлекательной для студентов всего мира и обеспечил большие тиражи ее шести изданий. В то же время эта книга интересна и для самих преподавателей, поскольку рассматривает затрагиваемые темы не только с формальной стороны, позволяет лучше понять суть каждой проблемы и ознакомиться с путями ее решения, предлагаемыми в работах других авторов, чему способствуют многочисленные ссылки на литературные источники. В книге охватывается широкий круг тем, начиная с обсуждения того, что вообще представляет собой эконометрика, продолжая стандартными темами, относящимися к классической нормальной линейной модели регрессии, тщательным разбором проблем, связанных с нарушениями предположений классической модели, рассмотрением моделей с качественными и ограниченными зависимыми переменными, анализом панельных данных, моделей стационарных и нестационарных временных рядов. Кроме того, в книге рассматриваются темы, отсутствующие во многих учебниках по эконометрике: включение в модель внешней информации, байесовский подход, робастное оценивание, вычислительные аспекты эконометрического исследования. Книга адресована широкому кругу читателей — от студентов бакалавриата, впервые приступающих к изучению эконометрики, до преподавателей эконометрики и лиц, применяющих эконометрику на практике.
Кеннеди, П. Путеводитель по эконометрике / П. Кеннеди ; пер. с англ.; под науч. ред. В.П. Носко. — Москва : Издательский дом «Дело» РАНХиГС, 2016. — 512 с. - (Академический учебник). - ISBN 978-5-7749-1156-1. - Текст : электронный. - URL: https://znanium.com/catalog/product/1043268 (дата обращения: 29.03.2024). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов. Для полноценной работы с документом, пожалуйста, перейдите в ридер.
6th edition

A GUIDE 
TO ECONOMETRICS

Peter Kennedy

Blackwell Publishing    2008

ПУТЕВОДИТЕЛЬ 
ПО ЭКОНОМЕТРИКЕ

СЕРИЯ
 «АКАДЕМИЧЕСКИЙ УЧЕБНИК»

УДК330.4
ББК65.05
        К33

Перевод с английского:
В.П. Носко: главы 14, 16, 17, 21–23, приложения A, B, C, D, E,
глоссарий, предметный указатель
И.М. Промахина: предисловие автора, главы 1–13, 15, 18–20

Кеннеди, Питер
К33 
 
Путеводитель по эконометрике / Питер Кеннеди; пер. с англ.; под науч. ред. 
В.П. Носко. — М. : Издательский дом «Дело» РАНХиГС, 2016. — 512 с. (Академический учебник).

ISBN 978-5-7749-1154-7 (общ.)
ISBN 978-5-7749-1156-1 (кн. 2)

Путеводитель по эконометрике Питера Кеннеди обращен ко всем, кто заинтересован в интуитивном введении в предмет эконометрики, избегающем сложных обозначений и технических деталей, которые характерны для большинства учебников по эконометрике.
Необычная структура каждой главы книги и избранный стиль изложения позволяют 
студентам легче понять, что преподаватели делают, когда приводят доказательства теорем 
и выписывают формулы, зачастую весьма громоздкие. Такой стиль изложения сделал эту 
книгу весьма привлекательной для студентов всего мира и обеспечил большие тиражи ее 
шести изданий. В то же время эта книга интересна и для самих преподавателей, поскольку 
рассматривает затрагиваемые темы не только с формальной стороны, позволяет лучше понять суть каждой проблемы и ознакомиться с путями ее решения, предлагаемыми в работах 
других авторов, чему способствуют многочисленные ссылки на литературные источники.
В книге охватывается широкий круг тем, начиная с обсуждения того, что вообще представляет собой эконометрика, продолжая стандартными темами, относящимися к классической нормальной линейной модели регрессии, тщательным разбором проблем, связанных с нарушениями предположений классической модели, рассмотрением моделей с качественными и ограниченными зависимыми переменными, анализом панельных данных, 
моделей стационарных и нестационарных временных рядов. Кроме того, в книге рассматриваются темы, отсутствующие во многих учебниках по эконометрике: включение в модель внешней информации, байесовский подход, робастное оценивание, вычислительные 
аспекты эконометрического исследования. 
Книга адресована широкому кругу читателей – от студентов бакалавриата, впервые 
приступающих к изучению эконометрики, до преподавателей эконометрики и лиц, применяющих эконометрику на практике.

УДК330.4 
ББК65.05

ISBN 978-5-7749-1154-7 (общ.) 
 
 
 
 
 
ISBN 978-5-7749-1156-1 (кн. 2) 
 
 
 
 
 

© 2008 by Peter Kennedy

Все права сохранены. Авторизованный перевод с англоязычного издания, опубликованного John Wiley & Sons Limited. Ответственность за точность перевода лежит исключительно на Издательском 
доме «Дело» и не является ответственностью John Wiley & Sons Limited. Никакая часть настоящей 
книги не может быть воспроизведена в какой-либо форме без письменного разрешения 
первоначального правообладателя, John Wiley & Sons Limited.

© ФГБОУ ВО «Российская академия народного хозяйства и государственной службы
при Президенте Российской Федерации», 2016

V

Оглавление

Книга 2

Глава 18. Панельные данные ..................................................................517
18.1. Введение ..........................................................................................517

18.2. Допущение о различии постоянных составляющих (констант) ....519

18.3. Фиксированные эффекты против случайных эффектов ...............522

18.4. Краткосрочность против долгосрочности ......................................524

18.5. Длинные узкие панели ....................................................................525

Общие замечания .....................................................................................527

Технические замечания ...........................................................................535
Глава 19. Эконометрика временных рядов .........................................542
19.1. Введение...........................................................................................542

19.2. Модели ARIMA ...............................................................................543

19.3. Модели VAR .....................................................................................545

19.4. Модель коррекции ошибок .............................................................547

19.5. Тестирование на единичный корень ...............................................549

19.6. Коинтеграция ..................................................................................551

Общие замечания .....................................................................................553

Технические замечания ...........................................................................573
Глава 20. Прогнозирование ....................................................................605
20.1. Введение ..........................................................................................605

20.2. Причинно-следственный прогноз/Эконометрические модели ....606

20.3. Анализ временных рядов .................................................................607

20.4. Точность прогнозов .........................................................................608

Общие замечания .....................................................................................611

Технические замечания ...........................................................................625
Глава 21. Робастное оценивание ...........................................................628
21.1. Введение ..........................................................................................628

21.2. Выделяющиеся и влиятельные наблюдения ..................................629

21.3. Защита от влиятельных наблюдений ..............................................630

21.4. Искусственные нейронные сети .....................................................633

21.5. Непараметрическое оценивание.....................................................635

VI

Общие замечания .....................................................................................637

Технические замечания ...........................................................................645
Глава 22. Прикладная эконометрика ...................................................653
22.1. Введение ..........................................................................................653

22.2. Десять заповедей прикладной эконометрики ................................655

22.3. Получение неправильного знака ....................................................662

22.4. Типичные ошибки ...........................................................................668

22.5. Что нужно знать практикам? ..........................................................670

Общие замечания .....................................................................................672

Технические замечания ...........................................................................689
Глава 23. Вычислительные аспекты ......................................................691
23.1. Введение ..........................................................................................691

23.2. Оптимизация с помощью компьютерного поиска ........................693

23.3. Оценивание интегралов посредством симуляции .........................694

23.4. Извлечение наблюдений из неудобных распределений ................697

Общие замечания .....................................................................................700

Технические замечания ...........................................................................711
Приложение А. Выборочные распределения,
основания статистики .......................................................................722
1. Пример .................................................................................................722

2. Следствия для изучающих эконометрику ...........................................723

3. Вычисление выборочных распределений ...........................................725
Приложение B. Всё о дисперсии .....................................................728
1. Определение .........................................................................................728

2. Оценивание ..........................................................................................729

3. Хорошо известные формулы ...............................................................729

4. Более общие формулы .........................................................................730

5. Примеры более общих формул ............................................................731

6. Нижняя граница Крамера — Рао .........................................................734

Замечания .................................................................................................735
Приложение С. Асимптотика для начинающих ................................737
1. Сходимость по вероятности.................................................................738

2. Сходимость по распределению ............................................................740

3. Асимптотические распределения ........................................................741

Замечания .................................................................................................743
Приложение D. Упражнения .................................................................746
A. Монте-Карло: Общие ..........................................................................748

B. Вычисление математических ожиданий и дисперсий .......................752

С. Наилучшая несмещенность ................................................................755

D. Среднеквадратическая ошибка ..........................................................757

E. Применения математических ожиданий в экономической теории ..758

F. OLS: Монте-Карло ...............................................................................759

VII

G. OLS: Общие .........................................................................................761

H. OLS: Числовые примеры ....................................................................764

I. Преобразование переменных ...............................................................766

J. OLS: Оценивание дисперсий ...............................................................769

K. OLS с ограничениями .........................................................................770

L. Теоретические результаты для множественной регрессии ................772

M. Объединение данных и пропущенные наблюдения .........................774

N. Мультиколлинеарность ......................................................................774

O. Дамми-переменные: интерпретация ..................................................777

P. Дамми-переменные: оценивание ........................................................782

Q. Дамми-переменные: проверка гипотез ..............................................783

R. Дамми-переменные: моделирование структурных сдвигов ..............786

S. Максимальное правдоподобие: общие принципы .............................787

T. Максимальное правдоподобие: примеры ...........................................789

U. Байесовский подход: общие ...............................................................792

V. Байесовский подход: априорные распределения ...............................795

W. Проверка гипотез: метод Монте-Карло .............................................798

X. Проверка гипотез: основы ..................................................................802

Y. Проверка гипотез: мощность ..............................................................804

Z. Проверка гипотез: примеры ................................................................805

АА Проверка гипотез: числовые примеры ..............................................808

BB Тестовые статистики ..........................................................................811

CC Проверка гипотез: теоретические выводы ........................................813

DD Претестовые оценки .........................................................................814

EE Тесты для невложенных гипотез ........................................................815

FF Несферические ошибки: Монте-Карло ............................................816

GG Несферические ошибки: Общее ......................................................817

HH Гетероскедастичность: Общие ..........................................................817

II Автокоррелированные ошибки: Общие ..............................................821

JJ Гетероскедастичность: Тестирование ..................................................821

KK Гетероскедастичность: Числовые примеры ......................................822

LL Автокоррелированные ошибки: Числовые примеры .......................823

MM SURE: Числовые примеры ..............................................................824

NN Стохастическая внешняя информация ............................................825

ОО Несферические ошибки: Теоретические результаты .......................827

PP Гетероскедастичность: Теоретические результаты ............................828

QQ Автокоррелированные ошибки: Теоретические результаты ............830

RR Динамика ...........................................................................................831

SS Стохастические регрессоры: Монте-Карло .......................................833

ТТ Ошибка измерений ............................................................................833

UU Инструментальные переменные ......................................................834

VV Одновременные уравнения ...............................................................836

WW Тесты Хаусмана .................................................................................838

XX Качественные и ограниченные зависимые переменные:

Монте-Карло ......................................................................................840

YY Качественные зависимые переменные .............................................841

ZZ Ограниченные зависимые переменные ............................................845

AB Модели длительности. .......................................................................848

АС Прикладная эконометрика ................................................................849

AD Бутстрапирование..............................................................................861
Приложение E. Ответы на вопросы с четными номерами ..............864
A2–Z16 .....................................................................................................864

AA2–ZZ10 ................................................................................................890

AB2–AD6 ..................................................................................................910
Список литературы ..................................................................................915
Глоссарий ...................................................................................................970
Предметный указатель ............................................................................983

Глава 18. Панельные данные

18.1. Введение

Современная эконометрика делится на два направления: микроэконометрика и анализ временных рядов. Второму из них посвящена глава 19. 
Первое включает в себя множество составных частей, некоторые из которых мы уже обсуждали, например качественные зависимые переменные, 
модели продолжительности, модели регрессии для счетных данных и модели с ограниченными зависимыми переменными, все эти модели используют прежде всего разные виды пространственных данных. Поэтому 
вполне естественно назвать микроэконометрику эконометрикой пространственных данных. Мы, однако, не сделаем этого потому, что главная 
составная часть микроэконометрики связана с протяженными, или панельными, данными, которые представляют собой пространственные 
данные (люди, фирмы, страны и т. п.), наблюдаемые во времени. Благодаря компьютерной революции, информационные массивы, в которых 
мы имеем наблюдения над одними и теми же субъектами в нескольких 
различных моментах времени, теперь все больше распространены и легче 
поддаются анализу.
Два известных примера панельных данных — это PSID (Panel Study of 
Income Dynamics — панельный анализ динамики доходов) и NLS (National 
Longitudinal Surveys of Labor Market Experience — национальное протяженное исследование рынка труда), оба получены путем повторяющихся 
и продолжающихся опросов нескольких тысяч одних и тех же людей в течение долгого времени. Эти массивы данных были созданы, для того чтобы получить возможность исследовать причины и природу бедности 
в Соединенных Штатах; информация собиралась о таких показателях, 
как занятость, заработная плата, мобильность, жилье и потребительское 
поведение. И сверх этого были зафиксированы значения еще тысяч других показателей. Подобные массивы — это типичные панельные данные, 
так как они короткие и широкие, состоящие из очень большого числа 
пространственных единиц, наблюдаемых в течение небольшого количества моментов времени. Получение таких данных стоит дорого и включает 
в себя прослеживание большого количества людей на протяжении длительного временного периода. Гарантированы ли чем-то эти сверхрасходы?

Глава 18. Панельные данные

У панельных данных есть несколько привлекательных качеств, которые оправдывают дополнительные затраты; четыре таких качества обсуждаются далее.

1. Панельные данные могут быть использованы для учета неоднородности групп микроединиц. В любой пространственной совокупности, которая используется для анализа поведения людей (фирм, стран и т. п.), 
имеется огромное количество неизмеряемых объясняющих переменных, влияющих на поступки и действия объектов изучения. (Неоднородность означает, что между всеми этими микроединицами имеются 
существенные, но количественно не представленные отличия). Неучет 
таких переменных порождает смещение оценок. То же справедливо 
и для неучтенных переменных, изменяющихся во времени; в каждый 
момент времени их влияние на все микроединицы одинаково, но 
в разные моменты времени оно разное. Панельные данные позволяют 
справляться с этой проблемой. И действительно, можно было бы утверждать, что способность панельных данных справляться с проблемой неучтенных переменных и является их основным атрибутом.
2. Панельные данные создают бо́льшую вариабельность, так как комбинируют межсубъектную изменчивость с изменчивостью во времени, 
а это смягчает проблемы, вызванные мультиколлинеарностью. С такими, более информативными данными становится возможным более 
эффективное оценивание.
3. Панельные данные можно использовать для исследования вопросов, 
которые невозможно изучать на основе только пространственной или 
только временной информации. В качестве примера рассмотрим задачу разделения экономии от масштаба и технологических изменений 
в анализе производственных функций. При анализе экономии от масштаба можно воспользоваться пространственными данными и сравнивать цены малых и больших фирм. Но так как все данные будут относиться к одному моменту времени, проследить последствия изменения 
технологии не удастся. Еще хуже обстоят дела с временными данными 
по одной фирме: мы не сможем выделить результаты влияния каждого 
из двух факторов, так как не сможем определить, вызвано ли изменение во времени цен этой фирмы изменением технологии или изменением ее размера. В качестве второго примера рассмотрим вопрос различения временной и долгосрочной безработицы. Пространственные 
данные дают информацию о том, кто является безработным в данном 
году, а временные сообщают, как уровень безработицы менялся из 
года в год. Но ни те ни другие данные не говорят о том, оставались ли 
из года в год без работы одни и те же индивиды (что означало бы низкий коэффициент оборота) или в разные годы безработными были 
разные люди (а значит, коэффициент оборота был большой). Подход, 

18.2. Допущение о различии постоянных составляющих (констант)

использующий панельные данные, позволяет подступиться к задаче 
определения уровня оборота, так как эти данные содержат информацию 
за несколько лет по одной и той же группе людей.
4. Панельные данные позволяют лучше проанализировать корректировку поведения во времени. Пространственные данные ничего не говорят нам об изменениях во времени. Временные же ряды должны быть 
очень длинными, чтобы мы могли получить хорошие оценки динамики поведения, а кроме того, они обычно относятся к изменению во 
времени агрегированного поведения. Для понимания же экономических явлений решающим может оказаться знание изменений во времени индивидуальных реакций. При использовании панельных данных не требуются протяженные временные ряды, поскольку имеется 
информация о динамике реакций каждого из нескольких индивидов.

18.2. Допущение о различии постоянных составляющих 
(констант)

Пусть потребление (y) индивида линейно зависит от его или ее дохода (x). 
И пусть мы имеем наблюдения для тысячи индивидов (N = 1000) в каждый из 
четырех моментов времени (T = 4). Множество данных дает диаграмму рассеяния, в упрощенной форме (показано только несколько наблюдений), 
представленную на рис. 18.1 (пока не обращайте внимание на эллипсы). 
Если мы обычным образом применим метод наименьших квадратов 
(МНК (OLS)), то получим оценку коэффициента наклона, то есть для 
углового коэффициента прямой AA, проведенной через множество точек, 
представляющих наши данные. Но теперь давайте посмотрим на эти данные как на несколько выборок, каждая из которых состоит из наблюдений для отдельного субъекта (например, человека, фирмы, страны), 
в данном случае для отдельного человека. На рис. 18.1 эти данные каждого 
человека окружены эллипсом, внутри которого находятся четыре точки, 
соответствующие наблюдениям в каждый из четырех моментов времени. 
(Таких эллипсов была бы тысяча, если бы мы изобразили всю нашу выборку целиком, приблизительно половина из этих эллипсов была бы 
выше прямой AA, половина — ниже; на рис. 18.1 нарисованы только четыре эллипса.) Такой подход к представлению данных в нашем примере 
показывает, что, хотя прямые регрессии, построенные каждая по данным 
для одного из индивидов, имеют одинаковый наклон, они все имеют разные константы. Большинство исследователей согласится, что эта неоднородность пространственной совокупности — нормальное положение 
дел, — имеется много неизмеряемых переменных, определяющих y, и их 
влияние приводит к разным значениям констант у разных индивидов. 
Описанное явление позволяет предположить, что МНК (OLS)-оцениватель 

Глава 18. Панельные данные

будут смещенным, за исключением случая, когда эти опущенные переменные (влияние которых проявляется в разных значениях констант) не коррелируют с включенными в модель объясняющими переменными. Были 
предложены два способа улучшения метода оценивания, основанные на 
двух разных подходах к моделированию ситуации с разными константами 
для разных субъектов, входящих в пространственную выборку.
Первый способ состоит в том, чтобы ввести дамми-переменные, по одной 
для каждого индивида (и опустить постоянную составляющую). Это позволит 
обеспечить разные значения констант для разных индивидов, а МНК (OLS)оцениватель модели с введенными дамми-переменными будет защищен от 
упомянутого выше смещения. Такая модель с «фиксированными эффектами» привела к методу оценивания, который назвали методом фиксированных эффектов, — МНК (OLS) применяется к модели с фиксированными 
эффектами. На первый взгляд кажется, что реализация метода будет затруднительна — в нашем примере потребуется ввести в модель тысячу фиктивных 
переменных. Но оказалось, что вычислительный трюк, состоящий в простом 
преобразовании данных, позволяет обойти проблему. Преобразование проводится путем вычитания из координат каждого наблюдения внутри эллипса 
их средних значений по всем наблюдениям внутри этого эллипса, то есть из 
наблюдений для каждого индивида вычитаются средние всех наблюдений 
для этого индивида. Затем к преобразованным данным применяется МНК 
(OLS), который и дает желаемую оценку коэффициента наклона.
Модель с фиксированными эффектами имеет два серьезных недостатка.

1. Неявно включая в модель тысячу фиктивных переменных, мы теряем 
999 степеней свободы (опуская постоянную составляющую, мы сохраняем одну степень свободы). Если бы мы могли найти какой-то способ 
избежать такой потери, мы получили бы более эффективную оценку 
общего коэффициента наклона.
2. Преобразование, входящее в процедуру оценивания, вымывает из модели все объясняющие переменные, которые для индивида не изменяются со временем. Это означает, что любая переменная, инвариантная 

Рис. 18.1. Панельные данные: четыре наблюдения для каждого из четырех индивидов

18.2. Допущение о различии постоянных составляющих (констант)

во времени, например пол, раса, регион проживания, исчезает, а по
этому мы теряем возможность оценить коэффициент наклона при такой переменной. (Так получается, потому что внутри эллипса на рис. 18.1 
значения этих переменных одни и те же, и когда мы вычитаем их средние, все они становятся нулевыми.)

Для того чтобы преодолеть эти два недостатка модели с фиксированными 
эффектами, разработали второй способ, допускающий разные значения 
констант, — модель «со случайными эффектами». Как и модель с фиксированными эффектами, она постулирует различие констант для разных индивидов, но интерпретирует это различие по-иному. Предполагается, что разные константы достали из барабана с множеством возможных констант, так 
что они интерпретируются как случайные величины (обычно имеющие нормальное распределение) и рассматриваются как составная часть случайной 
ошибки. В результате получается спецификация с общей константой, набором объясняющих переменных, оценка коэффициентов которых нас 
и интересует, и с комбинированной случайной ошибкой, которая состоит 
из двух частей. Одна часть для конкретного индивида — это «случайная постоянная составляющая», измеряющая величину, на которую константа данного индивида отличается от общей константы. Вторая часть — это просто 
обычная случайная ошибка, с которой мы знакомы и которая для данного 
индивида в данный момент времени дает случайное отклонение зависимой 
переменной от ее среднего. Для каждого индивида первая составляющая 
одинакова во все моменты времени, вторая составляющая для всех моментов времени разная.
Метод, оценивающий модели со случайными эффектами, учитывает 
несферичность ковариационной матрицы случайной ошибки (не все внедиагональные элементы этой матрицы равны нулю). В приведенном выше 
примере для всех четырех наблюдений отдельного индивида случайная постоянная составляющая одна и та же, а значит, комбинированные случайные ошибки этих наблюдений будут коррелированы. Корреляция между 
комбинированными случайными ошибками разных индивидов отсутствует по предположению. В итоге ковариационная матрица приобретает 
специфический вид. Метод случайных эффектов оценивает эту ковариационную матрицу, а затем использует доступный обобщенный метод наименьших квадратов (ДОМНК (EGLS)). В процессе выполнения ДОМНК 
(EGLS) подбирается преобразование данных, которое дает сферическую 
матрицу ковариаций, а затем к преобразованным данным применяется 
МНК (OLS). Описанная процедура похожа на метод фиксированных эффектов, за исключением того, что преобразование, используемое в этом 
методе, другое.

Глава 18. Панельные данные

18.3. Фиксированные эффекты против случайных эффектов

Сберегая степени свободы, модель со случайными эффектами позволяет 
получить более эффективные оценки, чем модель с фиксированными эффектами. Помимо этого, преобразование, используемое при оценивании 
модели со случайными эффектами, не вымывает инвариантные во времени объясняющие переменные, обеспечивая получение оценок коэффициентов при таких переменных, как пол, раса или регион проживания. 
Сказанное позволяет утверждать, что модель со случайными эффектами 
превосходит модель с фиксированными эффектами. Значит ли это, что 
мы всегда будем использовать модель со случайными эффектами? К сожалению, для модели со случайными эффектами должно выполняться 
одно важное условие, из-за чего ее можно использовать только в определенных случаях.
Указанное условие иллюстрируется рис. 18.2. Данные на этом рисунке 
выглядят точно так же, как и на рис. 18.1, но эллипсы нарисованы по-другому, 
так как представляют иное распределение наблюдений по индивидам. Как 
и ранее, здесь все индивиды имеют одинаковый наклон и разные константы, однако есть большое отличие — общий для всех индивидов наклон не совпадает с наклоном прямой AA, как это было на рис. 18.1. Причина расхождения в том, что константа индивида оказывается тем больше, 
чем больше для него значения переменной x. (Прямые, проведенные через наблюдения в эллипсах с бо́льшими значениями переменной x, пересекают ось y при бо́льших значениях.) В результате, при применении 
МНК (OLS) ко всем наблюдениям, получается прямая AA, коэффициент 
наклона которой явно переоценивает наклон, общий для индивидов. 
Происходит это потому, что при увеличении x переменная y увеличивается 
по двум причинам: во-первых, потому, что увеличивается x, а, во-вторых, 
потому, что при увеличении x увеличивается и константа. МНК (OLS) завышает оценку коэффициента при x, так как при изменении этой переменной только ей целиком и приписывает ответное изменение y.
Такое смещение отсутствует при оценивании по методу фиксированных 
эффектов, поскольку, как было описано выше, различные константы явно 
прописываются в спецификации модели с помощью соответствующих им 
фиктивных переменных. Но для метода случайных эффектов здесь возникает проблема, так как вместо явного введения в модель константы встраиваются в (составную) случайную ошибку. Поэтому случайная ошибка имеет 
тенденцию увеличиваться с увеличением x, что приводит к коррелированности x и составной случайной ошибки. Коррелированность ошибки и объясняющей переменной порождает смещение. Рассмотрим пример. Пусть по 
большой выборке индивидов оценивается регрессия заработной платы 
на количество лет обучения, и считается, что опущенная переменная 

18.3. Фиксированные эффекты против случайных эффектов

«умственные способности» влияет на значение константы. Так как число 
лет обучения и умственные способности, скорее всего, коррелируют, использование здесь модели со случайными эффектами даст коррелированность составной случайной ошибки и регрессора «количество лет обучения», вследствие чего полученные оценки коэффициентов будут 
смещенными. Мораль такова: метод случайных эффектов следует использовать только тогда, когда мы убеждены, что составная случайная ошибка 
не коррелирована с объясняющими переменными. Для проверки этого 
имеется тест, вариант теста Хаусмана (обсуждается в «Общих замечаниях»), суть которого состоит в том, чтобы проверить, значимо ли отличаются оценки коэффициентов, полученных по методу случайных эффектов, от несмещенных оценок, полученных по методу фиксированных 
эффектов.
Обобщим сказанное выше. Оценивание моделей для панельных данных начинается с проверки нулевой гипотезы о равенстве констант. Если 
эта гипотеза принимается, используется модель пула. Если она отвергается, переходят к тесту Хаусмана, проверяющему несмещенность оценок 
в модели со случайными эффектами. Если гипотеза о несмещенности не 
отвергается, то эту модель и используют, в противном случае используют модель с фиксированными эффектами. В примере, представленном рис. 18.1, 
и МНК (OLS), и метод фиксированных эффектов, и метод случайных эффектов дают несмещенные оценки, но оценки по методу случайных эффектов более эффективные. В примере на рис. 18.2 МНК (OLS) и метод 
случайных эффектов дают смещенные оценки, а метод фиксированных 
эффектов — несмещенные.
На рис. 18.1 и 18.2 можно отметить два типа изменчивости данных. 
Один — это изменчивость при переходе от наблюдения к наблюдению 
внутри одного эллипса (то есть изменчивость внутри группы наблюдений, относящихся к одному и тому же индивиду). Второй тип — это изменчивость наблюдений при переходе от эллипса к эллипсу (то есть 

Рис. 18.2. Панельные данные: четыре наблюдения для каждого из четырех индивидов. 
Случай коррелированности переменной x и постоянной составляющей

Доступ онлайн
299 ₽
В корзину