Istnieją dwa wspólne założenia dotyczące konkretnego efektu indywidualnego, założenia efektów losowych i założenia efektów stałych. Założeniem efektów losowych (wykonanym w modelu efektów losowych) jest to, że poszczególne efekty indywidualne nie są skorelowane ze zmiennymi niezależnymi. Założeniem efektu stałego jest to, że indywidualny efekt specyficzny jest skorelowany ze zmiennymi niezależnymi. Jeśli założenie dotyczące efektów losowych się utrzymuje, model efektów losowych jest bardziej wydajny niż model efektów stałych. Jeśli jednak to założenie się nie powiedzie (tzn. Jeśli test Durbina – Watsona nie powiedzie się), model efektów losowych nie jest spójny.
Zastanawiałem się, dlaczego modele efektów losowych wymagają, aby efekty losowe były nieskorelowane ze zmiennymi wejściowymi, podczas gdy modele ze stałymi efektami pozwalają na korelację efektów ze zmienną wejściową?
Dzięki!
Z tego co wiem, losowe efekty są rodzajem rozszerzenia modelu OLS, w którym stała jest zawarta w wektorze regresorów, a błąd składa się zarówno z nieobserwowanego efektu (niezmiennego w czasie), jak i zaobserwowanego błędu ( wariant czasowy).
Nie wiem zbyt dobrze, jak odpowiedzieć na twoje pytanie, ale po prostu powiedziałbym, że modele RE wymagają błędu nieskorelowanego ze zmiennymi niezależnymi, ponieważ jeśli są skorelowane, oznacza to, że masz przypadek, w którym szacunki FE są bardziej odpowiedni. Możesz przetestować, który z nich lepiej interpretuje zestaw danych, wykonując test Hausmana po uruchomieniu regresji z obiema specyfikacjami.
Pochodzi z analizy ekonometrycznej danych przekroju i panelu, autorstwa Wooldridge:
(...)
źródło