Quelle est la différence entre l'économétrie des séries chronologiques et l'économétrie des données de panel?

Cette question est peut-être très naïve, mais la façon dont on m'écrit l'économétrie est très confuse s'il y a une différence entre les séries chronologiques et la méthode des données de panel.

En ce qui concerne les séries chronologiques, j'ai couvert des sujets tels que la covariance stationnaire, AR, MA, etc. En ce qui concerne les données de panel, je n'ai vu que des discussions sous forme d'effet fixe vs effet aléatoire (ou plus généralement, modèle hiérarchique), différence- différences, etc.

Ces sujets sont-ils liés à certains égards? Étant donné que les données de panel ont également une dimension temporelle, pourquoi n'y a-t-il pas également une discussion sur la RA, l'AM, etc.?

Si la réponse est que mon éducation sur les méthodes de panel est tout simplement insuffisante, pourriez-vous indiquer un livre qui couvre plus que FE / RE, différence dans les différences?

Au moins dans les sciences sociales, vous avez souvent des données de panel qui ont un grand N et un petit T asymptotiques, c'est-à-dire de nombreuses entités, mais chacune que vous observez pendant une période de temps relativement courte. C'est pourquoi le travail appliqué avec les données de panel est souvent un peu moins concerné par la composante série chronologique des données.

Néanmoins, les éléments de séries chronologiques sont toujours importants dans le traitement des données de panel. Par exemple, le degré d'autocorrélation détermine si les effets fixes ou les premières différences sont plus efficaces. À la différence des différences, un traitement approprié des erreurs standard pour tenir compte de l'autocorrélation est important pour une inférence correcte (voir Bertrand et al., 2004 ). Des panels dynamiques utilisant des estimateurs pour les petits N, grands asymptotiques T sont également disponibles, vous trouverez souvent ces données en macroéconomie. Là, vous pouvez rencontrer des problèmes connus de séries chronologiques comme la non-stationnarité du panneau.

Un excellent traitement de ces sujets est fourni dans Wooldridge (2010) «Analyse économétrique des données des sections et des panels».

La seconde dimension des données du panel n'est pas nécessairement le temps. Nous pourrions avoir des données sur des jumeaux ou des frères et sœurs ou des données sur N personnes répondant aux questions de l'enquête T. Les données longitudinales, où T est une deuxième dimension, sont sans doute le type de données de panel le plus courant et sont devenues pratiquement synonymes.

Les panneaux micro ou courts (grand N, petit T) ont généralement des asymptotiques qui envoient N à l'infini, en maintenant T fixe. Les panneaux macro ou longs ont un N modéré et un T grand, et les asymptotiques ont tendance à maintenir N fixe et à croître T, ou à croître à la fois N et T. Avec les micro panneaux, la dépendance entre les unités n'est généralement pas un problème car les unités sont échantillonnées au hasard, tandis que avec les macro-panels, cela peut être une réelle préoccupation (dépendance spatiale entre pays ou états par exemple). Avec les panneaux macro, vous devez également vous soucier des racines unitaires, des ruptures structurelles et de la cointégration, qui sont tous des problèmes familiers de séries chronologiques. Vous devez également parfois vous inquiéter des problèmes de sélectivité (comme l'attrition, l'auto-sélectivité et la non-réponse). Lorsque T est assez long, même les pays peuvent disparaître.

Je voudrais jeter un œil à l' analyse économétrique des données de panel de Baltagi , en particulier aux chapitres 8, 12 et 13. Elle couvre également les courts panels de façon assez détaillée. L'édition précédente avait également un volume d'accompagnement avec des solutions d'exercice qui était très agréable.

C'est en grande partie une question d'accentuation, car les deux données sont constituées de composantes transversales et de séries chronologiques.

Les données du panel sont plus susceptibles d'avoir un grand N et un T. plus petit

Il y a plus d'attention aux composants individuels (par exemple, les magasins au fil du temps, les consommateurs au fil du temps) et plus de probabilité de segmenter ces composants individuels (par exemple les consommateurs à revenu élevé, les consommateurs qui sont passés d'un revenu moyen à élevé).

Les composants individuels ont des problèmes de survie / remplacement (les composants quittent l'étude pour une raison quelconque et doivent être remplacés). Avec les données économétriques, vous êtes plus susceptible de traiter à un niveau plus agrégé et c'est souvent le problème de quelqu'un d'autre (par exemple, ces gens fins du BLS) de traiter ces problèmes.

Des problèmes d'autocorrélation se posent, mais sont souvent modélisés en tant qu'historique plutôt qu'en tant qu'autocorrélation en soi, par exemple, vos antécédents d'achat de bombes de sucre givré au chocolat http://www.gocomics.com/calvinandhobbes/1986/03/22 informent la prédiction du comportement d'achat futur.

Comme mentionné ci-dessus, les données de panel ont souvent été utilisées au niveau individuel plutôt qu'à un niveau agrégé avec un grand N et un petit T. Il y a de nombreux avantages à utiliser les données du panel car nous pouvons supprimer l'hétérogénéité individuelle et obtenir souvent une puissance plus élevée lors des tests pour en mentionner deux. . Cette nouvelle dimension temporelle introduit de nouvelles méthodes, hypothèses et problèmes par rapport aux données transversales (je vous renvoie au livre de Wooldridge pour les étudier de plus près).

Il est cependant très courant en économie d'utiliser également des données de panel au niveau des pays avec un petit N et un grand T. Ceci introduit toute une gamme de difficultés non rencontrées lors du traitement de données de panel de grand N et de petit T. Nous pourrions par exemple avoir des racines unitaires dans notre panel et il existe également des tests spécifiques de root unitaires de panel pour traiter ce problème spécifique. Notez que ceux-ci ont une puissance significativement plus élevée que les tests de racine unitaire sur des séries individuelles. Nous pourrions également avoir toutes sortes d'autres types de non-stationnarité dans ces panneaux. De plus, lorsque nous traitons des données de panel avec un petit N et un grand T, nous pouvons également avoir la cointégration. Un autre problème majeur lorsque l'on traite des données de panel de grands T et de petits N est que ces données concernent souvent des variables économiques au niveau du pays et que dans ce cas l'hypothèse d'indépendance est souvent violée et cela devrait être testé.

Ainsi, les données de panel avec un grand N et un petit T introduisent une dimension de série chronologique par rapport aux données transversales et sont similaires à une analyse transversale tandis que les panels avec un grand T et un petit N introduisent une dimension de section transversale par rapport à l'approche des séries chronologiques et qui est similaire à Analyse des séries chronologiques.

Un excellent livre sur les données de panel avec un grand N et un petit T est "Analyse économétrique des données de section et de panel" par Wooldridge. Ce livre est assez dense et contient beaucoup d'informations sur chaque page, vous pouvez donc commencer par un livre d'introduction en économétrie et lire d'abord la section sur les données du panel.

Je ne connais pas de livre spécifique pour les panneaux avec un grand T et un petit N, mais il existe un volume intitulé: "Panneaux non stationnaires, cointégration de panneaux et panneaux dynamiques", Baltagi, éd.

Je voudrais compléter les réponses ci-dessus avec une référence où vous pouvez en savoir plus sur la dépendance temporelle dans les modèles de données de panneau, comme vous l'avez demandé: Verbeek, Marno. Un guide de l'économétrie moderne , Wiley. Il y a un chapitre dans ce livre sur les modèles de données de panel qui peut servir de bonne introduction.

Comme exemple de recherche contemporaine concernant la dépendance temporelle dans les données de panel, vous pouvez lire:

Fredrik NG Andersson: La dynamique des taux de change revisitée: un test de données de panel de l'ordre d'intégration fractionnaire. Empir Econ (2014) 47: 389–409.