प्रतिगमन में अंतराल पर निर्भर चर का समावेश


26

मैं इस बारे में बहुत उलझन में हूं कि क्या यह एक प्रतिगमन मॉडल में एक लैग्ड आश्रित चर को शामिल करना वैध है। मूल रूप से मुझे लगता है कि अगर यह मॉडल वाई और अन्य स्वतंत्र चर में परिवर्तन के बीच के रिश्ते पर ध्यान केंद्रित करता है, तो दाहिने हाथ की ओर में एक अंतरालित आश्रित चर को जोड़ने से यह गारंटी दी जा सकती है कि अन्य IV से पहले गुणांक वाई के पिछले मूल्य से स्वतंत्र है।

कुछ का कहना है कि एलडीवी का समावेश अन्य IV के गुणांक को नीचे कर देगा। कुछ अन्य लोग कहते हैं कि एक में एलडीवी शामिल हो सकता है जो धारावाहिक संबंध को कम कर सकता है।

मुझे पता है कि यह प्रश्न किस प्रकार के प्रतिगमन के संदर्भ में बहुत सामान्य है। लेकिन मेरा सांख्यिकीय ज्ञान सीमित है और मेरे पास वास्तव में एक कठिन समय है अगर मुझे एक प्रतिगमन मॉडल में एक अंतरालित आश्रित चर को शामिल करना चाहिए जब फोकस समय के साथ वाई का परिवर्तन होता है।

क्या समय के साथ वाई के परिवर्तन पर एक्स के प्रभाव से निपटने के लिए अन्य दृष्टिकोण हैं? मैंने अलग-अलग बदलाव स्कोर के रूप में DV की कोशिश की, लेकिन उस स्थिति में आर चुकता बहुत कम है।


1
आप अपने मॉडल के साथ क्या हासिल करने की उम्मीद करते हैं? आर-स्क्वेर को अधिकतम करना शायद ही कभी एक अच्छा मॉडल-चयन मानदंड होता है।
माइकल बिशप

इस मॉडल का उपयोग भविष्यवाणी के लिए किया जाएगा। यह सच है कि हालाँकि R-squared बहुत भिन्न है, पूर्वानुमानित मूल्य वास्तव में Y या Y के परिवर्तन का उपयोग करते हुए समान हैं। हालाँकि, Y के DV के रूप में Y के परिवर्तन का उपयोग करते हुए निम्न R-squared मान दिया गया है, इसका मतलब यह है कि IVs का वर्तमान सेट बहुत अच्छी तरह से परिवर्तन की व्याख्या करने में सक्षम नहीं है और कुछ लोप किए गए चर होने चाहिए?
user22109

जवाबों:



12

मैं दो लेख सुझाता हूं:

  1. अचेन सीएच (2001) क्यों अंतराल पर निर्भर चर अन्य स्वतंत्र चर ( लिंक ) की व्याख्यात्मक शक्ति को दबा सकते हैं )
  2. कील, एल। और केली एनजे (2005) गतिशील सिद्धांतों के लिए गतिशील मॉडल: इनग एंड आउट ऑफ लैग्ड डिपेंडेंट वेरिएबल्स ( लिंक )।

उत्थान यह है कि एक अंतराल पर निर्भर चर सहित शेष चर के गुणांक पर एक बड़ा प्रभाव हो सकता है। कभी-कभी यह उचित है (कील और केली के गतिशील मॉडल के लिए) और कभी-कभी नहीं। जैसा कि दूसरों ने कहा है, इस प्रक्रिया के बारे में सोचना ज़रूरी है।


4

लैग्ड डिपेंडेंट वेरिएबल को शामिल करने से मॉडल मिसकैरेज से उत्पन्न होने वाले ऑटोकैरेलेशन की घटना को कम किया जा सकता है। इस प्रकार लैग्ड डिपेंडेंट वैरिएबल के लिए लेखांकन से आपको मॉडल में ऑटोक्रेलेशन के अस्तित्व का बचाव करने में मदद मिलती है। पिछले मूल्य मॉडल में मौजूद को प्रभावित करता है, सैद्धांतिक नींव की आवश्यकता होती है, और आवश्यक के अनुसार मॉडल को सबसे अच्छा फिट करता है।


यकीन नहीं होता कि मैंने आखिरी वाक्य के साथ न्याय किया; कृपया संपादित करें यदि अर्थ स्पष्ट किया जा सकता है। वेलिडेटेड BTW में आपका स्वागत है!
निक स्टानर

1
जिस तरह से डेटा एकत्र किया जाता है उसी तरह से ऑटोक्रेलेशन हो सकता है। मैंने एक प्लॉट को डिजिटाइज़ करके डेटा प्राप्त किया जिसका मतलब था कि डेटा को सॉर्ट किया गया था। इस छँटाई और गैर-रैखिक संबंध के कारण अवशिष्टों में निरंकुशता उत्पन्न हो गई।
टोनी लैडसन

2

इस प्रश्न के बारे में मुझे क्या समझ में आता है, यह मॉडल के विनिर्देश या इसके लिए अनुमान तकनीक के बारे में अधिक जानकारी नहीं है। मैं इस बात का उल्लेख करता हूं कि यद्यपि IVs के बीच में एक लैग्ड DV का उपयोग करना सैद्धांतिक रूप से महत्वपूर्ण और विधिपूर्वक आवश्यक हो सकता है, यह चर और समय इकाइयों के बीच के पर्याप्त संबंध के आधार पर और एआर में भी मॉडल में एक लंबी मात्रा में जोखिम का परिचय दे सकता है। आदेश जो मॉडल में मौजूद हो सकता है। जब तक आप (और हम) चर पर और अनुमान पर अधिक विवरण नहीं देते हैं, तब तक मैं DV को पुनः प्राप्त करने के लिए असहज महसूस नहीं करूंगा जब तक कि आप कुछ इंस्ट्रूमेंटल वैरिएबल तकनीक या एरेलानो-बॉन्ड अनुमान जैसी कुछ भी नहीं सोच रहे हैं।

कृपया, हमें और विवरण दें ताकि हम बेहतर तरीके से जान सकें कि हम किस प्रकार के मॉडल के बारे में बात कर रहे हैं।


0

हां, आपको एक छोटे से टी बड़े एन स्थिति (निकेल, एस। (1981) में निकेल पूर्वाग्रह से सावधान रहना चाहिए। डायनेमिक मॉडल में बायोस को निश्चित प्रभावों के साथ। इकोनोमेट्रिक: द इकोनोमेट्रिक सोसाइटी का जर्नल, 1417-1426)।

आप अरेनलानो-बॉन्ड या ब्लंडेल-बॉन्ड अनुमानकों जैसे डायनेमिक पैनल डेटा मॉडल को देखना चाह सकते हैं।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.