Wprowadzenie
Moje zainteresowanie tym tematem wynosi obecnie około 7 lat i zaowocowało to pracą doktorską Szeregi czasowe: agregacja, dezagregacja i długa pamięć , gdzie zwrócono uwagę na konkretne pytanie dotyczące problemu dezagregacji przekrojowej dla schematu AR (1).
Dane
Pracując z różnymi podejściami do agregacji, pierwszym pytaniem, które musisz wyjaśnić, jest rodzaj danych, z którymi masz do czynienia (domyślam się, że są to dane przestrzenne, najbardziej ekscytujące). W praktyce możesz rozważyć agregację czasową (patrz Silvestrini, A. i Veridas, D. (2008) ), przekrój (podobał mi się artykuł Granger, CWJ (1990) ) lub zarówno czas, jak i przestrzeń (agregacja przestrzenna jest ładnie zbadana w Giacomini, R. i Granger, CWJ (2004) ).
Odpowiedzi (długie)
Teraz, odpowiadając na wasze pytania, postawiłem na początku pewną szorstką intuicję. Ponieważ problemy, które napotykam w praktyce, często opierają się na niedokładnych danych (założenie Andy'ego)
możesz mierzyć szereg czasowy obserwacji na dowolnym poziomie precyzji w czasie
wydaje się zbyt silny dla makroekonometrii, ale dobry dla finansów i mikroekonometrii lub jakichkolwiek dziedzin eksperymentalnych, gdybyś całkiem dobrze kontrolował precyzję) Muszę pamiętać, że moje miesięczne szeregi czasowe są mniej dokładne niż w przypadku pracy z dane roczne. Oprócz częstszych szeregów czasowych przynajmniej w makroekonomii występują sezonowe wzorce , które mogą prowadzić do fałszywychwyniki (części sezonowe nie korelują z serią), więc musisz sezonowo dostosowywać swoje dane - kolejne źródło mniejszej precyzji dla danych o wyższej częstotliwości. Praca z danymi przekrojowymi ujawniła, że wysoki poziom dezagregacji stwarza więcej problemów z prawdopodobnie wieloma zerami do rozwiązania. Na przykład określone gospodarstwo domowe w panelu danych może kupować samochód raz na 5–10 lat, ale zagregowane zapotrzebowanie na nowe (używane) samochody jest znacznie bardziej płynne (nawet w małym miasteczku lub regionie).
Najsłabszy punkt agregacja zawsze prowadzi do utraty informacji, możesz mieć PKB wytwarzany przez przekrój krajów UE przez całą dekadę (powiedzmy okres 2001-2010), ale stracisz wszystkie dynamiczne funkcje, które mogą być obecne w Twojej analizie, biorąc pod uwagę szczegółowy zestaw danych panelu. Agregacja przekrojów na dużą skalę może okazać się jeszcze bardziej interesująca: z grubsza bierzesz proste rzeczy (krótka pamięć AR (1)) uśredniasz je w dość dużej populacji i uzyskujesz „reprezentatywny” czynnik długiej pamięci, który nie przypomina mikro jednostki (jeszcze jeden kamień do koncepcji przedstawiciela agenta). Tak więc agregacja ~ utrata informacji ~ różne właściwości obiektów i chcesz przejąć kontrolę nad poziomem tej straty i / lub nowych właściwości. Moim zdaniem lepiej jest mieć dokładne dane na poziomie mikro przy możliwie wysokiej częstotliwości, ale ...
Technicznie wykonując jakąkolwiek analizę regresji, potrzebujesz więcej miejsca (stopni swobody), aby mieć mniej lub więcej pewność, że (przynajmniej) statystycznie twoje wyniki nie są śmieciami, chociaż wciąż mogą być teoretyczne i śmieciami :) Więc ja stawiam na równi wagi do pytania 1 i 2 (zwykle wybierają dane kwartalne do analizy makro). Odpowiadając na trzecie podpytek, decydujesz w praktycznych zastosowaniach, co jest dla Ciebie ważniejsze: dokładniejsze dane lub stopnie swobody. Jeśli weźmiesz pod uwagę wspomniane założenie, preferowane są bardziej szczegółowe dane (lub wyższa częstotliwość).
Prawdopodobnie odpowiedź zostanie zredagowana później po jakiejś dyskusji, jeśli taka istnieje.
