अनुदैर्ध्य परिवर्तन खराब / भविष्यवाणी करने के लिए क्रॉस-सेक्शनल डेटा का उपयोग खराब थिंग का उपयोग क्यों कर रहा है?


11

मैं एक ऐसे पेपर की तलाश में हूं जो मुझे आशा है कि मौजूद है, लेकिन यह नहीं जानता कि क्या ऐसा होता है। यह केस स्टडीज का एक सेट हो सकता है, और / या प्रायिकता सिद्धांत से एक तर्क हो सकता है कि अनुदैर्ध्य परिवर्तनों का अनुमान लगाने / अनुमान लगाने के लिए क्रॉस-सेक्शनल डेटा का उपयोग करना खराब थिंग क्यों हो सकता है (यानी जरूरी नहीं कि ऐसा हो, लेकिन हो सकता है)।

मैंने एक-दो तरीकों से की गई गलती को देखा है: इनफॉर्म्स इसलिए किए गए क्योंकि ब्रिटेन में अमीर लोग अधिक यात्रा करते हैं, फिर जैसे-जैसे समाज समृद्ध होता जाएगा, वैसे-वैसे आबादी अधिक यात्रा करेगी। एक दशक से भी अधिक समय तक यह अनुमान विस्तारित अवधि के लिए असत्य निकला। और घरेलू बिजली के उपयोग के साथ एक समान पैटर्न: क्रॉस-अनुभागीय डेटा का तात्पर्य आय के साथ बड़ी वृद्धि है, जो समय के साथ प्रकट नहीं होता है।

कॉहर्ट इफेक्ट्स और सप्लाई साइड की बाधाओं सहित कई चीजें चल रही हैं।

एक एकल संदर्भ के लिए यह बहुत उपयोगी होगा कि इस तरह के मामले के अध्ययन को संकलित किया जाए; और यह बताने के लिए प्रायिकता सिद्धांत का उपयोग क्यों किया गया है कि अनुदैर्ध्य परिवर्तनों का अनुमान लगाने / भविष्यवाणी करने के लिए क्रॉस-अनुभागीय डेटा का उपयोग करना बहुत भ्रामक हो सकता है।

क्या ऐसा कागज मौजूद है, और यदि हां, तो यह क्या है?


2
मेरा मानना ​​है कि अर्थशास्त्री इन घटनाओं के बारे में एक तरह के सामान्य संतुलन प्रभाव के रूप में सोचेंगे। Stats लोग इसे Stable Unit Treatment Value Assumption का उल्लंघन कहते हैं। मुझे लगता है कि पैनल बनाम क्रॉस सेक्शन का मुद्दा एक लाल हेरिंग का एक सा है।
दिमित्री वी। मास्टरोव

जवाबों:


2

आप आंशिक रूप से "अनुदैर्ध्य" परिवर्तनों के लिए पूछकर अपने स्वयं के प्रश्न का उत्तर देते हैं। क्रॉस-सेक्शन डेटा को कहा जाता है क्योंकि वे समय में एक स्नैप शॉट लेते हैं, शाब्दिक रूप से एक क्रॉस-सेक्शन अपने कई संबंधों के साथ समय-विकसित समाज से बाहर निकल जाता है। इसलिए, आप जो सबसे अच्छा अनुमान लगा सकते हैं, वह इस धारणा के तहत है कि आप जो भी पढ़ रहे हैं वह समय-अपरिवर्तनीय है, या कम से कम इसके विकास का निष्कर्ष निकाला है।

दूसरी ओर, आप जिस डेटा की तलाश कर रहे हैं, वे अनुदैर्ध्य डेटा या अर्थशास्त्रियों के लिए पैनल डेटा हैं।

एक अच्छा संदर्भ जो ज्यादातर तरीकों की व्याख्या करता है लेकिन अर्थशास्त्र से दो प्रमुख उदाहरणों पर प्रकाश डालता है । उदाहरण 2.1 में कंपनी की निवेश दरें हैं।

धारा 3 थोड़ा अधिक सैद्धांतिक है, लेकिन बहुत अधिक अंतर्दृष्टि प्रदान करता है: एक पैनल डेटा मॉडल कर सकता है।

yमैं,टी=αyमैं,टी-1+एक्समैं,टीγ+ηमैं+vमैं,टी

अब, इस प्रकार का मॉडल राज्य की निर्भरता पर कब्जा कर सकता है, जो (बिना किसी विषमता के बगल में) एक आम स्पष्टीकरण है कि लोग अलग-अलग व्यवहार क्यों करते हैं। इसलिए, यदि आप किसी दिए गए समय पर यात्रा करने वाले लोगों का केवल समय पर निरीक्षण करते हैं, तो आपका अज्ञात होगा, जिसका अर्थ है कि आप इस बात से अवगत नहीं हैं कि कल की उनकी यात्रा ने फिर से यात्रा करने के उनके निर्णय को कितना प्रभावित किया है।α

अब, एक पल के लिए समय निर्भरता को बंद करें लेकिन ध्यान रखें कि यह समीकरण सही मॉडल हो सकता है।

अब एक क्रॉस सेक्शन मॉडल में, आप सबस्क्रिप्ट पूरी तरह से छोड़ देंगे क्योंकि आपके पास केवल एक अवधि में डेटा है। इसलिए, आपके पास इस तथ्य के लिए लेखांकन की कोई संभावना नहीं है कि आपके डेटा सेट में प्रत्येक व्यक्ति के पास बेतहाशा अलग-अलग , जो आपके आम तौर पर ऊपर की ओर पूर्वाग्रह करेगा, कम से कम जब सच्चा मॉडल गतिशील होता है। यह संभवतया अतिरेक का कारण है, क्योंकि एक व्यक्तिविरोधी व्यक्तिगत प्रभाव (सामान्य भी हो सकता है) के कारण, जिसे आपने मापा नहीं था लेकिन यह आपके क्रॉस-सेक्शन के अध्ययन में परिलक्षित हुआ था।टीηमैं'रों

अब, पैनल डेटा फिर से दर्ज करें। हम जो कर सकते हैं वह प्रत्येक चर के समय के माध्यम से घटाना है, जो कि का मतलब समय के साथ स्थिर है, इस शब्द को समाप्त कर देगा। यह परिवर्तन (अन्य संभव हैं) आपको केवल गतिशीलता पर ध्यान केंद्रित करने की अनुमति देता है (और वास्तव में आप किसी भी समय-अपरिवर्तनीय रजिस्टरों को खो देंगे)।ηमैं

अब, यह क्रॉस-सेक्शन और पैनल डेटा के बीच मुख्य अंतर है। यह तथ्य कि आप समय-अपरिवर्तनीय प्रभाव को समाप्त कर सकते हैं क्योंकि आपके पास उस समय की भिन्नता आपको कुछ पूर्वाग्रहों को दूर करने की अनुमति देती है जो क्रॉस-सेक्शन का अनुमान आपको पता लगाने की अनुमति नहीं देता है। इसलिए, इससे पहले कि आप किसी नीति में बदलाव पर विचार करें जैसे कि यात्रा पर अधिक कर क्योंकि आप लोगों से यात्रा करने की अपेक्षा करते हैं और आप अधिक सरकारी राजस्व चाहते हैं, यह कुछ वर्षों में घटना को देखने के लिए अधिक उपयोगी है ताकि आप यह सुनिश्चित कर सकें कि आप नहीं हैं अपने नमूने में अप्रमाणित विषमता को कैप्चर करना, जिसे आप यात्रा करने की प्रवृत्ति के रूप में व्याख्या करते हैं।

इन मॉडलों का अनुमान लगाने के लिए, संदर्भ के माध्यम से जाना सबसे अच्छा है। लेकिन सावधान रहें: लोगों के व्यवहार के बारे में अलग-अलग धारणाएं अलग-अलग अनुमान प्रक्रियाओं को स्वीकार्य बनाएंगी या नहीं।

आशा है कि ये आपकी मदद करेगा!


1

यह एक गैर-ergodic प्रक्रिया की परिभाषा की तरह बहुत अधिक लगता है (समय के साथ उपायों के बराबर नहीं होने का अहसास)। अफसोस की बात है, बहुत कम रोचक वास्तविक दुनिया की घटनाएँ हैं। मुझे लगता है कि यह महीन पैमाने के नमूने और अनुमान के लिए एक मामला हो सकता है, जहां कुछ सरलीकरण किए जा सकते हैं। मैं छोटे समय- या स्थानिक तराजू के उदाहरणों के लिए सोच रहा हूं, जहां अराजक व्यवहार नहीं देखा जाता है, इसलिए भविष्यवाणियों को रैखिक बनाया जा सकता है। लेकिन मैं यहाँ सिर्फ जुगाड़ कर रहा हूँ .. मुझे डर है कि मैं इस विषय पर विशिष्ट साहित्य के साथ आपकी मदद नहीं कर सकता। क्षमा करें: / लेकिन दिलचस्प सवाल फिर भी

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.