고정 된 효과 회귀 분석에서 성별 더미를 유지하는 몇 가지 방법이 있습니다.
견적 안에
당신은 당신의 풀링 OLS 모델에 비해 유사한 모델을 가정
변수가 이전된다. 지금 유의 β 1 및 β 1 + γ 1 ( m L E I를 ) 추정기 내에는 고정 효과를 구별 할 수 없기 때문에 식별 할 수없는 C 나 . 점을 감안 β 1은 기준 연도에 대한 절편 t = 1 , γ 1은 이 기간 실적에 대한 성별 효과가있다. 우리가이 경우에 식별 할 수있는 것은 있습니다 γ 2 , . . .
yit=β1+∑t=210βtdt+γ1(malei)+∑t=110γt(dt⋅malei)+X′itθ+ci+ϵit
β1β1+γ1(malei)ciβ1t=1γ1 은 시간 모형과 상호 작용하고 첫 번째 기간에 대한 성별 변수의 부분 효과의 차이를 측정하기 때문입니다. 이 방법 당신은 당신의 증가 관찰 할 경우
γ 2 , . . . , 시간에 따른
γ 10 은 남녀 간의 소득 격차가 확대되고 있음을 나타냅니다.
γ2,...,γ10γ2,...,γ10
1 차 추정량
시간이 지남에 따라 남녀의 차이의 전체 효과를 알고 싶다면 다음 모델을 시도해 볼 수 있습니다.
여기서 변수 t = 1 , 2 ,
yit=β1+∑t=210βtdt+γ(t⋅malei)+X′itθ+ci+ϵit
은 시간에 따라 변하지 않는 성별 더미와 상호 작용합니다. 이제 첫 번째 차이
β 1 과
c i를 제거하면
y i t - y i ( t - 1 ) = 10 ∑ t = 3 β t ( d t - d ( t − 1 ) ) + γ ( t ⋅가 있어요 L E I -t=1,2,...,10β1ci
이어서
γ ( t ⋅ m 리터 e i - [ ( t - 1 ) m ayit−yi(t−1)=∑t=310βt(dt−d(t−1))+γ(t⋅malei−[(t−1)malei])+(X′it−X′i(t−1))θ+ϵit−ϵi(t−1)
소득
γ 의 성별 차이를 확인할 수 있습니다. 따라서 최종 회귀 방정식은 다음과 같습니다.
Δ y i t = 10 ∑ t = 3 β t Δ d t + γ (γ(t⋅malei−[(t−1)malei])=γ[(t−(t−1))⋅malei]=γ(malei)γ
그리고 관심의 효과를 얻을 수 있습니다. 좋은 점은 통계 소프트웨어에서 쉽게 구현할 수 있지만 시간이 절약된다는 것입니다.
Δyit=∑t=310βtΔdt+γ(malei)+ΔX′itθ+Δϵit
Hausman-Taylor Estimator
이 추정기는 고정 효과 와 관련이없는 것으로 가정 할 수있는 회귀 분석기와 잠재적으로 상관 관계가있는 회귀 분석기를 구별 합니다. 또한 시변 변수와 시변 변수를 구별합니다. 하자 1 로 비 상관 나타낸다 변수 c를 난 과 (2) 의하고하자 사람들은 성별 변수가 유일한 시간 불변 변수라고합니다. Hausman-Taylor 추정기는 랜덤 효과 변환을 적용합니다.
~ y i t = ~ ~ X ' 1 i t + ~ ~ X 'ci1ci2
여기서 표기법 수단 틸드 ~ X는 1전t=는X1It는 - θ 난 ¯ X 1은내가어디에 θ 난이며 랜덤 효과 변환 및 ¯ X 1i에 사용
y~it=X~′1it+X~′2it+γ(male˜i2)+c~i+ϵ~it
X~1it=X1it−θ^iX¯¯¯¯1iθ^iX¯¯¯¯1i각 개인에 대한 시간 평균입니다. 이것은 당신이 그룹 때문에 피 싶다고 보통 임의 효과 추정처럼되지 않습니다
변수와의 상관 관계 제거하기 위해 위해 계측 된
C 전을 . 들어
~ X 이 난 마에 기기는
X 2 전 t - ¯ X 2 전 . 시간 불변 변수에 대해서도 동일하게 수행되므로 성별 변수가 고정 효과와 상관 관계가 있음을 지정하면
¯ X 1 i로 계측 되므로 시간 불변 변수보다 시간에 따른 변수가 더 많아야합니다.
2ciX~2itX2it−X¯¯¯¯2iX¯¯¯¯1i
이 모든 것이 약간 복잡하게 들릴 수 있지만이 견적 도구에 대한 통조림 패키지가 있습니다. 예를 들어 Stata에서 해당 명령은 xthtaylor
입니다. 이 방법에 대한 자세한 내용은 Cameron and Trivedi (2009) "Stata를 사용한 미시 경제학"을 참조하십시오. 그렇지 않으면 조금 더 쉬운 두 가지 이전 방법을 고수 할 수 있습니다.
추론
귀무 가설 검정의 경우 고정 효과 회귀 분석에서 수행해야 할 것 이외로 고려해야 할 것이 많지 않습니다. 개별 ID 변수를 클러스터링하는 등의 오류에서 자기 상관을 처리해야합니다. 이것은 자기 상관을 다루는 클러스터 (개별) 사이의 임의의 상관 구조를 허용합니다. 참고로 Cameron과 Trivedi (2009)를 다시 참조하십시오.