Jaka jest różnica między ekonometrią szeregów czasowych a ekonometrią danych panelowych?

To pytanie może być bardzo naiwne, ale sposób, w jaki uczę się ekonometrii, jestem bardzo zdezorientowany, jeśli istnieje różnica między szeregami czasowymi a metodą danych panelowych.

Jeśli chodzi o szeregi czasowe, omówiłem takie tematy jak stacjonarne kowariancje, AR, MA itp. Jeśli chodzi o dane panelowe, widziałem tylko dyskusje w postaci efektu stałego vs efektu losowego (lub bardziej ogólnie, modelu hierarchicznego), różnic różnice itp.

Czy te tematy są w jakiś sposób powiązane? Ponieważ dane panelowe mają również wymiar czasowy, dlaczego nie omawia się również AR, MA itp.?

Jeśli odpowiedź brzmi, że moje wykształcenie w zakresie metod panelowych jest po prostu niewystarczające, czy możesz wskazać książkę, która obejmuje więcej niż tylko FE / RE, różnice w różnicach?

Przynajmniej w naukach społecznych często masz dane panelowe, które mają duże N i małe T asymptotyczne, tj. Wiele bytów, z których każdy obserwujesz przez stosunkowo krótki okres czasu. Dlatego zastosowana praca z danymi panelowymi jest często nieco mniej zainteresowana składnikiem szeregów czasowych danych.

Niemniej jednak elementy szeregów czasowych są nadal ważne w przetwarzaniu danych panelowych. Na przykład stopień autokorelacji określa, czy ustalone efekty lub pierwsze różnice są bardziej wydajne. W przypadku różnic w różnicach właściwe traktowanie błędów standardowych w celu uwzględnienia autokorelacji jest ważne dla prawidłowego wnioskowania (patrz Bertrand i in., 2004 ). Dostępne są również dynamiczne panele wykorzystujące estymatory dla małych N, dużych asymptotyków T. Często takie dane można znaleźć w makroekonomii. Tam możesz napotkać znane problemy z szeregami czasowymi, takie jak niestacjonarność panelu.

Doskonałe podejście do tych tematów znajduje się w Wooldridge (2010) „Analiza ekonometryczna danych przekroju i panelu”.

Drugim wymiarem danych panelowych nie musi być czas. Możemy mieć dane o bliźniakach lub rodzeństwie lub dane o N osobach odpowiadających na pytania ankiety T. Dane podłużne, w których T jest drugim wymiarem, są prawdopodobnie najpowszechniejszym rodzajem danych paneli i stały się z nimi praktycznie synonimami.

Panele mikro lub krótkie (duże N, małe T) zwykle mają asymptotyki, które wysyłają N do nieskończoności, utrzymując T ustalony. Makro lub długie panele mają umiarkowane N i duże T, a asymptotyki mają tendencję do utrzymywania stałego N i wzrostu T lub wzrostu zarówno N, jak i T. W przypadku mikropłytek zależność między jednostkami zwykle nie stanowi problemu, ponieważ jednostki są losowo próbkowane, podczas gdy w przypadku makropoleceń może to stanowić prawdziwy problem (na przykład zależność przestrzenna między krajami lub państwami). Dzięki panelom makro musisz również martwić się o pierwiastki, pęknięcia strukturalne i kointegrację, z których wszystkie są znane w szeregach czasowych. Od czasu do czasu musisz również martwić się problemami z selektywnością (takimi jak osłabienie, samoselektywność i brak odpowiedzi). Gdy T jest wystarczająco długi, nawet kraje mogą zniknąć.

Przyjrzałbym się analizie ekonometrycznej danych panelowych Baltagi , szczególnie rozdziałom 8, 12 i 13. Obejmuje ona również szczegółowo krótkie panele. Poprzednia edycja zawierała również tom towarzyszący z rozwiązaniami do ćwiczeń, który był bardzo miły.

Jest to w dużej mierze kwestia nacisku, ponieważ oba dane składają się z elementów przekroju i szeregów czasowych.

Dane panelowe częściej mają duże N i mniejsze T.

Większą uwagę przywiązuje się do poszczególnych składników (np. Sklepów w czasie, konsumentów w czasie) i większe prawdopodobieństwo segmentacji tych poszczególnych składników (np. Konsumentów o wysokich dochodach, konsumentów, którzy przeszli ze średnich do wysokich dochodów).

Poszczególne komponenty mają problemy z przetrwaniem / wymianą (komponenty z jakiegoś powodu wychodzą z badania i muszą zostać wymienione). W przypadku danych ekonometrycznych istnieje większe prawdopodobieństwo, że masz do czynienia z bardziej zagregowanym poziomem i często jest to problem kogoś innego (np. Ci drodzy ludzie z BLS), aby poradzić sobie z tymi problemami.

Pojawiają się problemy z autokorelacją, ale często są one modelowane raczej jako historia przeszłości niż jako autokorelacja per se, np. Twoja historia zakupu czekoladowych bomb matowych z cukrem http://www.gocomics.com/calvinandhobbes/1986/03/22 informuje o prognozie przyszłych zachowań zakupowych.

Jak wspomniano powyżej, dane panelowe były często wykorzystywane na poziomie indywidualnym, a nie na poziomie zagregowanym z dużymi N i małymi T. Istnieje wiele zalet korzystania z danych panelowych, ponieważ możemy usunąć indywidualną niejednorodność i często uzyskać większą moc podczas testowania, aby wspomnieć o dwóch . Ten nowy wymiar czasu wprowadza pewne nowe metody, założenia i problemy w porównaniu z danymi przekrojowymi (odsyłam cię do książki Wooldridge'a, aby przestudiować je bliżej).

Jednak w ekonomii bardzo często stosuje się również dane panelowe na poziomie krajowym z małymi N i dużymi T. Wprowadza to cały szereg trudności, których nie napotkano w przypadku danych z dużych N, małych paneli T. W naszym panelu moglibyśmy na przykład mieć pierwiastki z jednostkami. Istnieją również specjalne testy pierwiastków z jednostki w celu rozwiązania tego konkretnego problemu. Zauważ, że mają one znacznie wyższą moc niż jednostkowe testy pierwiastkowe w poszczególnych seriach. W tych panelach moglibyśmy mieć również wiele innych rodzajów niestacjonarności. Co więcej, w przypadku danych panelowych z małym N i dużym T możemy również mieć kointegrację. Innym ważnym problemem w przypadku dużych danych T i małych N jest to, że dane te często dotyczą zmiennych ekonomicznych na poziomie krajowym oraz że w tym przypadku założenie o niezależności jest często naruszane i należy to sprawdzić.

Tak więc dane panelowe z dużym N i małym T wprowadzają wymiar szeregu czasowego w porównaniu do danych przekroju i są podobne do analizy przekroju, podczas gdy panele z dużym T i małym N wprowadzają wymiar przekroju w porównaniu do podejścia z szeregiem czasowym i który jest podobny do Analiza szeregów czasowych.

Doskonałą książką na temat danych panelowych z dużym N i małym T jest „Analiza ekonometryczna danych przekroju i panelu” autorstwa Wooldridge. Ta książka jest dość gęsta i zawiera wiele informacji na każdej stronie, więc możesz zacząć od książki wprowadzającej w ekonometrii i najpierw przeczytać tam sekcję danych panelu.

Nie znam konkretnej książki dla paneli z dużym T i małym N, ale jest tom zatytułowany: „Panele niestacjonarne, kointegracja paneli i panele dynamiczne”, Baltagi, wyd.

Chciałbym uzupełnić powyższe odpowiedzi odniesieniem, w którym można przeczytać więcej na temat zależności czasowej w modelach danych panelowych, zgodnie z prośbą: Verbeek, Marno. Przewodnik po nowoczesnej ekonometrii , Wiley. W tej książce znajduje się rozdział poświęcony modelom danych panelowych, które mogą służyć jako dobre wprowadzenie.

Jako przykład współczesnych badań dotyczących zależności danych w panelu od czasu możesz przeczytać:

Fredrik NG Andersson: Zrewidowano dynamikę kursów walut: test danych panelowych o ułamkowej kolejności integracji. Empir Econ (2014) 47: 389–409.