소개
주제에 대한 나의 관심은 이제 약 7 년이며 박사 학위 논문 시리즈 인 집계, 분해 및 긴 기억으로 이어 졌으며 AR (1) 체계에 대한 단면적 분해 문제에 대한 특정 질문에주의를 기울였다.
데이터
다른 집계 방법을 사용하여 명확히해야 할 첫 번째 질문은 처리 할 데이터 유형입니다 (제 생각은 공간적이며 가장 스릴적인 질문입니다). 실제로는 시간 집계 ( Silvestrini, A. 및 Veridas, D. (2008) 참조 ), 단면 (저는 Granger, CWJ (1990) 의 기사를 좋아함 ) 또는 시간과 공간 모두를 고려할 수 있습니다 (공간 집계는 훌륭하게 조사되었습니다). 에서 GIACOMINI, R. 및 그레인저, CWJ (2004) ).
답변 (길이)
자, 당신의 질문에 대답하면서, 나는 약간의 직관을 먼저 생각했습니다. 실제로 만나는 문제는 종종 부정확 한 데이터를 기반으로하기 때문에 (앤디의 가정
시간의 모든 정밀도 수준에서 시계열의 관측치를 측정 할 수 있습니다
거시 경제학에는 너무 강해 보이지만 재무 및 미시 경제학 또는 실험 분야에 적합합니다. 정확도를 잘 제어 했습니까?) 매월 시계열이 내가 작업 할 때보 다 정확하지 않다는 것을 명심해야합니다. 연간 데이터. 적어도 거시 경제학에서 더 빈번한 시계열 외에도 계절 패턴 이 있기 때문에 가짜로 이어질 수 있습니다.결과 (계절 부분이 계열과 상관 관계가 없음)이므로 계절별로 데이터를 조정해야합니다. 더 높은 빈도의 데이터에 대해서는 정확도가 떨어지는 또 다른 소스입니다. 단면 데이터로 작업하면 높은 수준의 분해가 처리해야 할 제로가 많을수록 더 많은 문제가 발생한다는 것이 밝혀졌습니다. 예를 들어, 데이터 패널의 특정 가구는 5-10 년에 한 번 자동차를 구매할 수 있지만 새로운 (중고) 자동차에 대한 전체 수요는 훨씬 더 부드럽습니다 (작은 마을이나 지역에서도).
약한 점 집계는 항상 결과 정보의 손실, 전체 10 년 동안 (2001-2010 년 기간 동안) EU 국가의 횡단면에서 GDP가 생성 될 수 있지만 자세한 패널 데이터 세트를 고려하여 분석에 나타날 수있는 모든 동적 기능을 잃게됩니다. 대규모 단면적 집계는 훨씬 더 흥미로워 질 수 있습니다. 대충, 간단한 것 (짧은 메모리 AR (1))을 사용하여 상당히 많은 인구에 대해 평균을 계산하고 마이크로와 전혀 다른 "대표적인"긴 메모리 에이전트를 얻습니다. 단위 (대리인의 개념에 하나의 돌). 따라서 집계 ~ 정보 손실 ~ 객체의 다른 속성 및이 손실 수준 및 / 또는 새로운 속성을 제어하려고합니다. 제 생각에는 가능한 한 높은 주파수에서 정확한 마이크로 레벨 데이터를 갖는 것이 좋습니다.
기술적으로 회귀 분석을 생성하려면 통계적으로 결과가 여전히 이론적이지 않고 정크 일 수는 있지만 통계적으로 결과가 정크가 아니라는 확신을 갖기 위해 더 많은 공간 (자유도)이 필요합니다. 질문 1과 2에 대한 가중치 (대개 매크로 분석을 위해 분기 별 데이터 선택). 세 번째 하위 질문에 대답하면 실제 응용 프로그램에서 더 중요한 것은 더 정확한 데이터 또는 자유도를 결정하는 것입니다. 언급 된 가정을 고려하면보다 자세한 (또는 더 높은 빈도의) 데이터가 바람직합니다.
아마도 어떤 종류의 토론 후에 답변이 나중에 편집 될 것입니다.