🔴 تخمین اثرات ثابت در یک مدل پانل کوانتایل مدلهای پانل کوانتایل رویکردی قدرتمند برای مدلسازی دادههای پانل (دادههایی که مشاهداتی را برای واحدهای مختلف در طول زمان دنبال میکنند) ارائه میدهند، به ویژه زمانی که توزیع خطاها غیر نرمال است. برخلاف مدلهای رگرسیون استاندارد که میانگین شرطی را مدل میکنند، مدلهای کوانتایل به شما امکان میدهند اثرات متغیرها را در نقاط مختلف توزیع متغیر پاسخ بررسی کنید.
در مدل پانل کوانتایل، اثرات ثابت، تغییرات ناهمگنی را در واحدهای مختلف در طول زمان کنترل میکنند. به عبارت دیگر، این اثرات تغییرات در متغیرهای پاسخ را که صرفاً ناشی از تفاوتهای بین واحدهای فردی است، در نظر میگیرند.
در اینجا روش کلی برای تخمین مدل پانل کوانتایل با اثرات ثابت آورده شده است:
1. تعریف مدلیک مدل پانل کوانتایل را با اثرات ثابت در نظر بگیرید که به صورت زیر نوشته شده است:
Qτ(y_it | x_it, α_i) = α_i + x_it'β_τ
*
y_it
: متغیر پاسخ برای واحد i در زمان t
*
x_it
: بردار متغیرهای مستقل برای واحد i در زمان t
*
α_i
: اثر ثابت برای واحد i
*
β_τ
: بردار ضرایب برای کوانتایل τ
*
Qτ(y_it | x_it, α_i)
: کوانتایل τ شرطی متغیر پاسخ با توجه به متغیرهای مستقل و اثرات ثابت
2. روش تخمینمتداول ترین روش برای تخمین این نوع مدل، یک روش حداقل مطلق وزنی (LAD) اصلاح شده است. به این صورت عمل می کند:
*
تابع هدف: تخمین زننده یک برآورد از ضرایب مدل پیدا می کند که مجموع وزنی انحرافات مطلق بین مقادیر مشاهده شده و مقادیر پیش بینی شده را به حداقل می رساند. این تابع هدف برای هر کوانتایل
τ
به شکل زیر است:
min_{β_τ, α_i} Σ_{i=1}^N Σ_{t=1}^T ρ_τ(y_it - α_i - x_it'β_τ)
که در آن:
*
ρ_τ(u)
تابع بررسی (یا تابع ضرر پین بال) است که به صورت زیر تعریف شده است:
ρ_τ(u) = u(τ - I(u < 0))
و
I
یک تابع نشانگر است (وقتی u منفی است 1 می شود و در غیر این صورت 0 می شود).
*
اثرات ثابت: برای به دست آوردن برآورد دقیق تری از اثرات ثابت، می توانید از تکنیک های مختلفی استفاده کنید:
*
اثرات ثابت در مدل: می توانید اثرات ثابت را به عنوان پارامترهای جداگانه در مدل تخمین بزنید. این روش مستلزم افزودن متغیرهای ساختگی برای هر واحد به جز یک واحد مرجع است.
*
تغییرات درون: برای از بین بردن اثرات ثابت می توانید از روش تغییرات درون استفاده کنید. این روش شامل تفریق میانگین هر واحد از متغیرها در طول زمان است. مدل به دست آمده را می توان به صورت زیر نوشت:
Qτ(y_it - ȳ_i| x_it-x̄_i) = (x_it-x̄_i)'β_τ
که در آن
ȳ_i
و
x̄_i
میانگین متغیرهای پاسخ و متغیرهای مستقل برای واحد i در طول زمان هستند.
*
روش برآورد گشتاور کلی (GMM): برای مواجهه با عدم همسانی و همبستگی سریالی، می توانید از روش GMM استفاده کنید. این روش از گشتاورهایی بر اساس کوانتایلهای نمونه برای تخمین پارامترها استفاده میکند.
*
روش بهینه سازی: تابع هدف را می توان با استفاده از روش های بهینه سازی عددی، مانند برنامه ریزی خطی یا الگوریتم های مبتنی بر گرادیان کمینه کرد.
3. تفسیر نتایج*
ضرایب: بردار ضرایب
β_τ
اثر متغیرهای مستقل را بر کوانتایل
τ
ام توزیع متغیر پاسخ نشان می دهد. این اثرات می توانند در کوانتایل های مختلف متفاوت باشند.
*
اثرات ثابت: اثرات ثابت تخمین زده شده (
α_i
) تفاوت های ناهمگنی بین واحدهای مختلف را در نظر می گیرند. اگرچه ضرایب آنها به تنهایی قابل تفسیر نیستند، اما وجود آنها برای تضمین صحت برآورد ضرایب اصلی ضروری است.
ابزارهای نرم افزارینرم افزارهای مختلفی از قبیل Stata، R و Python وجود دارد که می توانند برای برازش مدل های پانل کوانتایل با اثرات ثابت مورد استفاده قرار گیرند. در R، می توان از بسته های
quantreg
و
plm
استفاده کرد. در Python، می توانید از بسته
statsmodels
استفاده کنید.
💠 کانال مدل های اقتصادسنجی