안하는 것보다 늦게하는 것이 낫다. 우리가 추정기의 점근 적 편견 (일관성)에 초점을 두는 세 가지 (중요하다고 생각되는) 이유를 먼저 설명하겠습니다.
a) 일관성은 최소 기준입니다. 많은 데이터로도 추정기가 정확하게 추정하지 못하면 어떤 이점이 있습니까? 이것이 바로 Wooldridge : 입문 계량 경제학의 정당성입니다.
b) 유한 샘플 속성은 증명하기가 훨씬 어렵습니다 (또는 점근선 표현이 더 쉽습니다). 나는 현재 약간의 연구를하고 있으며 큰 샘플 도구에 의존 할 때마다 훨씬 쉬워집니다. 많은 수의 법칙, martingale 수렴 정리 등은 점근 적 결과를 얻는 데 유용한 도구이지만 유한 샘플에는 도움이되지 않습니다. 하야시 (Hayashi, 2000) : 계량 경제학 (Econometrics)에 이러한 선을 따라 무언가가 언급되어 있다고 생각합니다.
c) 작은 샘플에 대해 추정기가 바이어스되면 작은 샘플 수정으로 잠재적으로 수정하거나 적어도 개선 할 수 있습니다. 이들은 종종 이론적으로 복잡합니다 (수정없이 추정기에서 향상됨을 증명하기 위해). 또한 대부분의 사람들은 큰 샘플에 의존하는 것이 좋으므로 적은 양의 샘플 수정은 표준 통계 소프트웨어에서 구현되지 않습니다. 더 적은 수의 사람들 만 필요로하기 때문입니다 (더 많은 데이터를 얻을 수없고 편견에 신경 쓰지 않는 사람들). 따라서 이러한 드문 수정을 사용하는 데에는 특정한 장벽이 있습니다.
당신의 질문에. "큰 샘플"은 무엇을 의미합니까? 이는 상황에 따라 크게 다르며 특정 도구의 경우 시뮬레이션을 통해 대답 할 수 있습니다. 즉, 인위적으로 데이터를 생성하고 거부율이 샘플 크기의 함수로 작동하는지 또는 바이어스가 샘플 크기의 함수로 동작하는 방법을 볼 수 있습니다. 저자가 OLS 클러스터 표준 오류, 부트 스트랩 표준 오류 차단 등에 걸리는 클러스터 수를 확인할 수 있는 구체적인 예가 여기 있습니다. 일부 이론가들은 또한 수렴 률에 대한 진술을 가지고 있지만 실제적인 목적으로 시뮬레이션은 더 유익한 것으로 보입니다.
실제로 합니까? 그것이 이론이 말하는 것이라면, 그렇습니다. 그러나 응용에서 우리는 작고 무시할만한 편견을 받아 들일 수 있습니다. 충분히 의미하는 것은 상황에 달려 있습니다. 위를 참조하십시오.n→∞
질문 3에서, 일반적으로 편견 (모든 표본 크기에 대한)과 일관성 (대규모 표본에 대한 편견)에 대한 문제는 별도로 고려됩니다. 추정기는 편향 될 수 있지만 일관성이 있으며,이 경우 실제로는 큰 표본 추정치 만 편향되지 않습니다. 그러나 편견이없고 일관된 추정값이 있으며 이론적으로 모든 표본 크기에 적용 할 수 있습니다. ( 추정자는 기술적 인 이유로 편견이 없지만 일관성이 없을 수 있습니다. )