Concetti dietro modelli di effetti fissi / casuali


14
  1. Qualcuno può aiutarmi a capire i modelli di effetti fissi / casuali? Puoi spiegare a modo tuo se hai digerito questi concetti o indirizzarmi alla risorsa (libro, note, sito Web) con indirizzo specifico (numero di pagina, capitolo ecc.) In modo che io possa impararli senza alcuna confusione.
  2. È vero: "Abbiamo effetti fissi in generale e gli effetti casuali sono casi specifici"? Sarei particolarmente grato di ricevere aiuto laddove la descrizione vada dai modelli generali a quelli specifici con effetti fissi e casuali


Vedi i riferimenti del libro sul tag del modello misto . Il numero 1 è affrontato in (alcuni) capitoli introduttivi per tutti i libri di modellazione multilivello che ho letto.
Andy W,

Risposte:


13

Questa sembra una grande domanda in quanto tocca una questione di nomenclatura in econometria che disturba gli studenti quando passano alla letteratura statistica (libri, insegnanti, ecc.). Vi suggerisco http://www.amazon.com/Econometric-Analysis-Cross-Section-Panel/dp/0262232197 capitolo 10.

Si supponga che la variabile di interesse è osservato in due dimensioni (ad esempio individui e tempo) dipende dalle caratteristiche rilevate x i T e quelli non osservati u i t . Se y i t sono i salari osservati allora possiamo sostenere che è determinata dalla osservata (istruzione) e le abilità non osservate (talenti, ecc). Ma è chiaro che le abilità non osservate possono essere correlate ai livelli di istruzione. Questo porta alla decomposizione dell'errore: u i t = e i t + v i dove v iyiotXiotuiotyiotuiot=eiot+viovioè la componente di errore (casuale) che possiamo assumere correlata alle 's. vale a dire v i modelli delle abilità non osservate dell'individuo come componente individuale casuale.Xvio

Così il modello diventa:

yiot=ΣjθjXj+eiot+vio

Questo modello è normalmente etichettato come modello FE, ma come Wooldridge sostiene sarebbe saggio chiamare un modello RE con componente di errore correlato mentre se non è correlato al x ' s diventa un modello RE. Quindi questa risposta alla tua seconda domanda, la configurazione FE è più generale in quanto consente la correlazione tra v i e x ' s .vioX'SvioX'S

I libri più vecchi in econometria tendono a riferirsi alla FE a un modello con singole costanti specifiche, sfortunatamente questo è ancora presente nella letteratura odierna (immagino che nelle statistiche non abbiano mai avuto questa confusione. Suggerisco definitivamente le lezioni di Wooldridge che sviluppano il potenziale problema di incomprensione )


Grazie per il collegamento a (1) eccellente risorsa e (2) bella spiegazione
Stat-R

1
Questo è un modo diverso di spiegare queste idee rispetto a quanto sono abituato a vedere, ma è davvero ben fatto. +1
gung - Ripristina Monica

15

Il mio miglior esempio di effetto casuale in un modello viene dagli studi sulla sperimentazione clinica. Nella sperimentazione clinica arruoliamo pazienti di vari ospedali (chiamati siti). I siti sono selezionati da una vasta serie di potenziali siti. Possono esserci fattori correlati al sito che influenzano la risposta al trattamento. Quindi in un modello lineare spesso si desidera includere il sito come effetto principale.

Ma è appropriato avere il sito come effetto fisso? Generalmente non lo facciamo. Spesso possiamo pensare ai siti che abbiamo selezionato per la sperimentazione come un campione casuale dai potenziali siti che avremmo potuto selezionare. Questo potrebbe non essere il caso, ma potrebbe essere un presupposto più ragionevole di quanto si supponga che l'effetto del sito sia corretto. Pertanto, trattare il sito come un effetto casuale ci consente di incorporare la variabilità nell'effetto del sito dovuta alla selezione di un set di k siti da una popolazione contenente N siti.

L'idea generale è che il gruppo non è fisso ma è stato selezionato da una popolazione più ampia e altre scelte per il gruppo erano possibili e avrebbero portato a risultati diversi. Quindi trattarlo come un effetto casuale incorpora quel tipo di variabilità nel modello che non si otterrebbe da un effetto fisso.


Il riferimento @ocram è piuttosto interessante. Indica l'eterogeneità delle definizioni FE. Ma a quale definizione si riferisce Stat-R? La sua seconda domanda suggerisce che la FE è considerata una RE con componente casuale correlata. In base a tale definizione e nel tuo esempio, una FE significherebbe che un trattamento potrebbe essere correlato a un effetto del sito non osservato (o omesso), giusto?
JDav,

2
Bello - il tuo ultimo paragrafo è un modo molto succinto di dirlo. +1
Luca

1
@MichaelChernick: bell'esempio. Quindi sostiene che il sito ospedaliero dovrebbe essere trattato come un effetto casuale e non come un effetto fisso. Ma quale sarebbe la differenza effettiva nel risultato tra queste due opzioni? Se lo trattiamo come fisso, otterremo un coefficiente di regressione per ciascun ospedale e potremo verificare, ad esempio, se l'effetto principale dell'ospedale è significativo. Se trattiamo un caso, non avremo un coeff di regressione per ogni ospedale (giusto?); possiamo ancora testare l'effetto principale dell'ospedale? Ancora più importante, può forse aumentare / diminuire la potenza di altri effetti / interazioni principali nel modello?
ameba dice di reintegrare Monica il

12
  1. Non sono sicuro di un libro, ma ecco un esempio. Supponiamo di avere un campione di pesi alla nascita di una grande coorte di bambini per un lungo periodo di tempo. I pesi dei bambini nati dalle stesse donne sarebbero più simili ai pesi dei bambini nati da madri diverse. I ragazzi sono anche più pesanti delle ragazze.

Quindi, un modello a effetti fissi che ignora la correlazione dei pesi tra i bambini nati dalla stessa madre è:

Modello 1. peso alla nascita medio = intercetta + sesso

Un altro modello di effetti fissi che si adegua a tale correlazione è:

Modello 2. peso alla nascita medio = intercetta + sesso + madre_id

Tuttavia, in primo luogo potremmo non essere interessati agli effetti per ogni madre in particolare. Inoltre, consideriamo la madre una madre casuale dalla popolazione di tutte le madri. Quindi costruiamo un modello misto con un effetto fisso per il sesso e un effetto casuale (cioè un'intercettazione casuale) per la madre:

Modello 3: peso alla nascita medio = intercetta + sesso + u

Questo sarà diverso per ogni madre, proprio come nel modello 2 ma non è in realtà stimato. Piuttosto, viene stimata solo la sua varianza. Questa stima della varianza ci dà un'idea del livello di raggruppamento dei pesi da parte della madre.

Spero che abbia senso.

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.