विषमलैंगिकता विचरण आकलनकर्ता पूर्वाग्रह दिशा

5

अगर मेरे पास हेटेरोसेडासिटी समस्या के साथ एक मॉडल है, तो क्या मैं गुणांक विचरण अनुमानक की पूर्वाग्रह दिशा बता सकता हूं?

मुझे लगता है कि क्योंकि मैं इसे WLS के साथ ठीक करूंगा, तो मुझे BLUE (सर्वश्रेष्ठ रैखिक, निष्पक्ष अनुमानक) मिलता है, जिसका अर्थ है कि भिन्नता का अनुमान लगाने वाला निष्पक्ष गुणांक के लिए सबसे छोटा है लेकिन मैं गलत हूं।

क्या कोई मुझे समझा सकता है कि क्या मैं पूर्वाग्रह की दिशा जान सकता हूं और कैसे?

econometrics

— user5344
स्रोत

यदि मैं आपके प्रश्न को सही ढंग से समझता हूं, तो आपके पास विषमलैंगिकता वाला एक मॉडल है और आप जानना चाहते हैं कि पूर्वाग्रह किस दिशा में है। जहां तक मुझे जानकारी है, आपको अपने अंतर्ज्ञान का उपयोग करने की आवश्यकता है। इस बारे में सोचें कि क्या छोड़े गए चर का प्रभाव इन पर पड़ सकता है।

— जैमी

ईकॉन एसई में भी आपका स्वागत है!

— जैमी

आपके उत्तर के लिए धन्यवाद :) मैं अपना प्रश्न पुनः लिखूँगा। अगर मैं एक मॉडल का उपयोग करता हूं जो सामान्य से कम वर्गों का उपयोग करता है और मैंने विषमलैंगिकता की मौजूदगी को नजरअंदाज किया है। इस मॉडल में coeffiecent का सबसे अच्छा विचरण एक ही मॉडल की तुलना में अधिक होगा जो मैं WLI सुधार करेगा? धन्यवाद

— user5344

3

मुझे लगता है कि समस्या यह है कि आप शब्दावली का मिश्रण कर रहे हैं। एक अनुमानकर्ता के बारे में अनुमान है कि BLUE राज्यों को गॉस-मार्कोव धारणा दी गई है, OLS सबसे अच्छा रैखिक निष्पक्ष अनुमानक है । लेकिन जैसा कि आपका मॉडल विषमलिंगी गॉस-मार्कोव मान्यताओं को धारण नहीं करता है और OLS BLUE होने का प्रमाण अब सत्य नहीं है।

Unfortunalty का कोई सामान्य परिणाम नहीं होता है, जो यह दर्शाता है कि क्या एक अनुमानक hetroskedacity के मामले में "सर्वश्रेष्ठ" है। सिद्धांत रूप में, यदि आप हेटेरोस्केडसिटी के सटीक कार्यात्मक रूप को जानते हैं तो आप हेट्रोस्कैडिसिटी के लिए पूरी तरह से सही हो सकते हैं और गॉस-मार्कोव मान्यताओं को धारण करते समय आप WLS ओएलएस की तरह ही प्रभावी होते हैं। लेकिन वास्तव में यह कभी ऐसा नहीं होता है, और जब तक आपके पास एक छोटा सा नमूना या एक बहुत मजबूत तर्क नहीं होता है कि आप हेट्रोसेकेडिटी के कार्यात्मक रूप को क्यों जानते हैं, तो आप व्हिट्स की मजबूत standart त्रुटियों का उपयोग करने के लिए बेहतर हैं।

— रड फदन
स्रोत

1

$\hat{\beta}_{OLS}=(x'x)^{-1}(x'y)$ $var(\beta)=\sigma^{2}(x'x)^{-1}$ $(x'x)^{-1}(x'\Omega x)(x'x)^{-1}$ $\Omega$ $\hat{\beta}\,_{GLS}=(x'\Omega^{-1}x)^{-1}(x'\Omega^{-1}y)$ $\Omega=\left(\begin{array}{cccc} e_{1}^{2} & 0 & . & 0\\ 0 & .\\ . & & .\\ 0 & . & 0 & e_{N}^{2} \end{array}\right)$ $e's$

— चिंग
स्रोत