J'ai toujours du mal à obtenir la véritable essence du problème des paramètres accessoires. J'ai lu à plusieurs reprises que les estimateurs à effets fixes des modèles de données de panel non linéaires peuvent être gravement biaisés en raison du problème de paramètre incident "bien connu".
Lorsque je demande une explication claire de ce problème, la réponse typique est: Supposons que les données du panel ont N individus sur T périodes de temps. Si T est fixe, au fur et à mesure que N croît, les estimations des covariables deviennent biaisées. Cela se produit car le nombre de paramètres de nuisance augmente rapidement à mesure que N augmente.
J'apprécierais beaucoup
- une explication plus précise mais toujours simple (si possible)
- et / ou un exemple concret que je peux travailler avec R ou Stata.
nonlinear-regression
fixed-effects-model
bias
emeryville
la source
la source
Réponses:
Dans les modèles FE de type α est le paramètre incident, car théoriquement, il a une importance secondaire. Habituellement, β est le paramètre important, statistiquement parlant. Mais en substance, α est important car il fournit des informations utiles sur l'interception individuelle.
Notez que dans les panneaux spatiaux par exemple, la situation est opposée - T est généralement considéré comme suffisamment grand, mais N est fixe. Donc l'asymptotique vient de T. Par conséquent, dans les panneaux spatiaux, vous avez besoin d'un grand T!
J'espère que cela aide d'une manière ou d'une autre.
la source