變截距皮膚資料模型
變截距皮膚資料模型理論介紹
混合效應模型
背景思想
迴歸公式可以忽略個體與時間變化的差異,因此所有的資料特徵可以通過一個公式進行刻畫。進行資料的大雜燴、亂燉。為什麼採取這麼直接粗暴的方式呢?因為每個品種的菜(個體與時間維度)都很少,每一個品種的菜都不能夠做出完整一盤菜,只能將所有的菜雜七雜八的混合起來亂燉。亂燉雖說精度不高,可是總比沒法處理要好很多。
模型假定
1.\(E(\varepsilon_{it})=0\);
2.\(var(\varepsilon)=\sigma_\varepsilon為常數\);
3. \(\varepsilon_{it}與X_{it}不相關\);
公式:
\(Y_{it}=\alpha + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
專案 | 含義 |
---|---|
\(i\) | 個體標誌序數 |
\(t\) | 時間序數 |
\(X_{it}\) | 觀測變數,\(K*1\)向量,\((X_{1it,},X_{2it},..,X_{kit})'\) |
\(\beta\) | 引數,\(K*1\)向量, \((\beta_{1},\beta_{2},..,\beta_{k})'\) |
\(\alpha\) | 截距項 |
\(\varepsilon_{it}\) | 隨機擾動項 |
估計方法展示
資料結構展示:
估計方法:
這個模型是將所有的資料\((y,x_1,x_2,x_3,x_4)\),直接匯入公式\(Y_{it}=\alpha + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)進行迴歸,只能求出一組\((\beta_{1},\beta_{2},..,\beta_{k})'\),意味著\(\beta\)在不同個體、不同時點上都是同一組,它不會因為時間或個體而發生變動。
固定效應模型
背景思想
當你擁有蔬菜的品種足夠多,你就可以依據他們的味道單獨做一些小炒菜。有一些影響因素A隨著一些條件的改變而改變,但是這個因素A並未通過\(X\)觀測變數納入模型,比如說我們研究消費函式,\(C = \alpha + \beta Y + \varepsilon\), 這裡的\(\alpha\)叫做自發消費,這個自發性消費是可能和個人特徵、所處的社會文化、教育等未觀測變數有關,換句話說,截距項 \(\alpha\) 和個體某些未觀測到的特質有關,而不和\(Y\)有關。\(\alpha\)和\(\varepsilon\)都是代表了不可觀測因素的影響,前者的影響因素是有趨勢的(常數也是一種趨勢),後者的影響因素是無趨勢的。更簡單的理解就是,\(\alpha\)存在的意義就是為了使\(\varepsilon\)擁有零均值。
- 當這個截距項與個體特徵相關時,我們稱為個體固定效應模型。
- 當這個截距項與時間特徵有關時,我們稱為時間固定效應模型。
- 同理,和A潛在變數有關,我們就可以稱它為A的固定效應模型。
- 當這個截距項與個體特徵和時間特徵都相關時,我們稱為雙固定效應模型。
- 同理,也可以同時依據三種或三種以上的變數進行分類,迴歸得出它們影響的截距項的估計值。
個體固定效應模型
模型假設
1.\(E(\varepsilon_{it})=0\);
2.\(var(\varepsilon)=\sigma_\varepsilon為常數\);
3 \(\varepsilon_{it}與X_{it}不相關\);
4. \(\alpha_i 與X_{it}相關\)
5. \(E(\alpha_i)=0\)
模型公式
\(Y_{it}=\alpha_0 +\alpha_i + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
專案 | 含義 |
---|---|
\(i\) | 個體標誌序數 |
\(t\) | 時間序數 |
\(X_{it}\) | 觀測變數,\(K*1\)向量,\((X_{1it,},X_{2it},..,X_{kit})'\) |
\(\beta\) | 引數,\(K*1\)向量, \((\beta_{1},\beta_{2},..,\beta_{k})'\) |
\(\alpha_0\) | 常數項 |
\(\alpha_i\) | 個體效應 |
\(\alpha_0+\alpha_i\) | 截距項 |
\(\varepsilon_{it}\) | 隨機擾動項 |
補充:也寫為
\(Y_{it}=u_i+ X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
\(u_i = \alpha_0 +\alpha_i, E(u_i)= \alpha_0,E(\alpha_i)=0\)
估計方法展示
資料結構如下:
1.組內(within)估計(離差估計)
離差估計就是剔除常數項,然後進行估計,首先明白我們的目標:分別計算\(a,b,c,d,e\)組內的截距和各自的組內\(\beta\) .其實,不需要離差就可以迴歸。將a,b,c,d,e組的資料分別帶入\(Y_{it}=\alpha_0 +\alpha_i + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\),就可以得到結果。
-
離差方差推導
原方程:
\(Y_{it}=\alpha_0 +\alpha_i + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
求均值方程:
\(\bar Y_{i}=\alpha_0 +\alpha_i + \bar X_{i}' \beta + \bar \varepsilon_{i},i = 1,2,3,...,N;t=1,2,3,...,T\)
離差變換(原方程減均值方程):
\(Y_{it}-\bar Y_{i}=\alpha_0 +\alpha_i -(\alpha_0 +\alpha_i)+ X_{it}' \beta - \bar X_{i}' \beta+ \varepsilon_{it}-\bar \varepsilon_{i}= X_{it}' \beta - \bar X_{i}' \beta+ \varepsilon_{it}-\bar \varepsilon_{i},i = 1,2,3,...,N;t=1,2,3,...,T\)
\(\bar Y_i= \frac{1}{T}\displaystyle\sum_{t=1}^T(Y_{it})\)
\(\bar X_i= \frac{1}{T}\displaystyle\sum_{t=1}^T(X_{it})\) -
帶入離差資料求解,文字描述
通過\((y,x_1,x_2,x_3,x_4)\)計算組內時間上的均值\(\bar{(y,x_1,x_2,x_3,x_4)}\),然後計算離差\((y,x_1,x_2,x_3,x_4)- \bar{(y,x_1,x_2,x_3,x_4)}\),帶入離差方程\(Y_{it}-\bar Y_{i}= X_{it}' \beta - \bar X_{i}' \beta+ \varepsilon_{it}-\bar \varepsilon_{i},i = 1,2,3,...,N;t=1,2,3,...,T\)進行估計。 -
利用估計出的\(\beta\)帶入均值方程\(\bar Y_{i}=\alpha_0 +\alpha_i + \bar X_{i}' \beta + \bar \varepsilon_{i},i = 1,2,3,...,N;t=1,2,3,...,T\),求解組內的(\(\alpha_0 +\alpha_i\))
-
通過上一步\(N\)個組的(\(\alpha_0 +\alpha_i\)),求解\(\alpha_0 = \frac{1}{N}\displaystyle\sum_{t=1}^N(\alpha_0 +\alpha_i)\),依據假設5:\(E(\alpha_i)=0\)
-
再求解\(\alpha_i = (\alpha_0 +\alpha_i) - \alpha_0\)
2.一階差分估計
原理: 因為\(\alpha_0 +\alpha_i\)是不受時間影響的,所以我們可以使用差分方法消去常數項
- 差分方程推導
原方程:
\(Y_{it}=\alpha_0 +\alpha_i + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
上一期方程:
\(Y_{i,t-1}=\alpha_0 +\alpha_i + X_{i,t-1}' \beta + \varepsilon_{i,t-1},i = 1,2,3,...,N;t=1,2,3,...,T\)
原方程減上一期方程:
\(Y_{it}-Y_{i,t-1}=\alpha_0 +\alpha_i + X_{it}' \beta + \varepsilon_{it}-\alpha_0 - \alpha_i - X_{i,t-1}' \beta - \varepsilon_{i.t-1} = X_{it}' \beta -X_{i,t-1}' \beta + \varepsilon_{it}- \varepsilon_{i,t-1}\) - 資料代入求解即可。
- 此方法無法求解截距項。
3.LSDV(最小二乘虛擬變數法)
學過計量的小夥伴們應該熟悉虛擬變數法,將個體差異以截距項形式的虛擬變數加入。
估計方程形式:
\(Y = D \alpha+X\beta + \varepsilon\)
\(D=\begin{pmatrix}
D_1 & D_2&D_3&...&D_N
\end{pmatrix}\)
其中:
\(D_N=\begin{cases}
1 &\text{if } 為N組 \\
0 &\text{if } 不為N組
\end{cases}\)
時點固定效應模型
模型假設
1.\(E(\varepsilon_{it})=0\);
2.\(var(\varepsilon)=\sigma_\varepsilon為常數\)
3 \(\varepsilon_{it}與X_{it}不相關\);
4. \(\lambda_i 與X_{it}相關\);
模型公式
\(Y_{it}=\lambda_0 +\lambda_i + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
專案 | 含義 |
---|---|
\(i\) | 個體標誌序數 |
\(t\) | 時間序數 |
\(X_{it}\) | 觀測變數,\(K*1\)向量,\((X_{1it,},X_{2it},..,X_{kit})'\) |
\(\beta\) | 引數,\(K*1\)向量, \((\beta_{1},\beta_{2},..,\beta_{k})'\) |
\(\lambda_0\) | 常數項 |
\(\lambda_i\) | 時間效應 |
\(\lambda_0+\lambda_i\) | 截距項 |
\(\varepsilon_{it}\) | 隨機擾動項 |
估計方法展示
資料結構如下:
LSDV(最小二乘虛擬變數法)
學過計量的小夥伴們應該熟悉虛擬變數法,將時間段以截距項形式的虛擬變數加入。
估計方程形式:
\(Y = D\lambda+X\beta + \varepsilon\)
\(D=\begin{pmatrix}
D_1 & D_2&D_3&...&D_T
\end{pmatrix}\)
其中:
\(D_T=\begin{cases}
1 &\text{if } 為T時期 \\
0 &\text{if } 不為T時期
\end{cases}\)
個體時點固定效應模型
模型假設
1 \(E(\varepsilon_{it})=0\);
2 \(var(\varepsilon)=\sigma_\varepsilon為常數\)
3 \(\varepsilon_{it}與X_{it}不相關\);
4 \(\lambda_i 與X_{it}相關\);
5 \(\alpha_i 與X_{it}相關\);
6 \(E(\alpha_i)=0\);
7 \(E(\lambda_i)=0\);
這裡我們設定:
\(\tilde{\alpha}_i=\alpha_0+\alpha_i;\tilde{\lambda}_i=\lambda_0+\lambda_i\);
8 \(E(\tilde{\alpha}_i)=\alpha_0\);
9 \(E(\tilde{\lambda}_i)=\lambda_0\);
模型公式
\(Y_{it}=(\alpha_0 +\lambda_0)+\alpha_i +\lambda_i + X_{it}' \beta + \varepsilon_{it}\)
\(=\alpha_0 +\alpha_i + \lambda_0 +\lambda_i + X_{it}' \beta + \varepsilon_{it}\)
\(=\tilde{\alpha}_i+\tilde{\lambda}_i+X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
專案 | 含義 |
---|---|
\(i\) | 個體標誌序數 |
\(t\) | 時間序數 |
\(X_{it}\) | 觀測變數,\(K*1\)向量,\((X_{1it,},X_{2it},..,X_{kit})'\) |
\(\beta\) | 引數,\(K*1\)向量, \((\beta_{1},\beta_{2},..,\beta_{k})'\) |
\(\lambda_0\) | 時間效應的常數項 |
\(\lambda_i\) | 時間效應 |
\(\alpha_0\) | 個體特徵的常數項 |
\(\alpha_i\) | 個體效應 |
\(\alpha_0+\alpha_i+\lambda_0+\lambda_i\) | 截距項 |
\(\varepsilon_{it}\) | 隨機擾動項 |
估計方法
資料結構展示:
LSDV(最小二乘虛擬變數法)
學過計量的小夥伴們應該熟悉虛擬變數法,將時間段以截距項形式的虛擬變數加入。
-
估計方程形式:
\(Y = D_{\lambda}\lambda + D_\alpha\alpha+X\beta + \varepsilon\)
\(D_{\lambda}=\begin{pmatrix} D_1 & D_2&D_3&...&D_T \end{pmatrix}\)
其中:
\(D_T=\begin{cases} 1 &\text{if } 為T時期 \\ 0 &\text{if } 不為T時期 \end{cases}\)
\(D_\alpha=\begin{pmatrix} D_1 & D_2&D_3&...&D_N \end{pmatrix}\)
其中:
\(D_N=\begin{cases} 1 &\text{if } 為N組 \\ 0 &\text{if } 不為N組 \end{cases}\) -
也可以將時間與個體效應混合
\(Y = Dh + X\beta + \varepsilon\)
\(D=\begin{pmatrix} D_1 & D_2&D_3&...&D_{N*T} \end{pmatrix}\)
其中:
\(D=\begin{cases} 1 &\text{if } 為第N個體的T時期 \\ 0 &\text{if } 不為第N個體的T時期 \end{cases}\)
個體時點雙固定效應,控制區域、行業等模型
模型假設
1 \(E(\varepsilon_{it})=0\);
2 \(var(\varepsilon)=\sigma_\varepsilon為常數\)
3 \(\varepsilon_{it}與X_{it}不相關\);
4 \(\lambda_i 與X_{it}相關\);
5 \(\alpha_i 與X_{it}相關\);
6 \(E(\alpha_i)=0\);
7 \(E(\lambda_i)=0\);
這裡我們設定:
\(\tilde{\alpha}_i=\alpha_0+\alpha_i;\tilde{\lambda}_i=\lambda_0+\lambda_i\);
8 \(E(\tilde{\alpha}_i)=\alpha_0\);
9 \(E(\tilde{\lambda}_i)=\lambda_0\);
模型公式
\(Y_{it}=\tilde{\alpha}_i+\tilde{\lambda}_i+D_{type}\gamma+X_{it}' \beta + \varepsilon_{it}, i = 1,2,3,...,N;t=1,2,3,...,T\)
這個方程為了方便理解而設定,其中\(\tilde{\alpha}_i與D_{type}\)存在共線性問題,畢竟型別屬性也是個體特徵的一部分嘛!
專案 | 含義 |
---|---|
\(i\) | 個體標誌序數 |
\(t\) | 時間序數 |
\(X_{it}\) | 觀測變數,\(K*1\)向量,\((X_{1it,},X_{2it},..,X_{kit})'\) |
\(\beta\) | 引數,\(K*1\)向量, \((\beta_{1},\beta_{2},..,\beta_{k})'\) |
\(\lambda_0\) | 時間效應的常數項 |
\(\lambda_i\) | 時間效應 |
\(\alpha_0\) | 個體特徵的常數項 |
\(\alpha_i\) | 個體效應 |
\(\alpha_0+\alpha_i+\lambda_0+\lambda_i\) | 截距項 |
\(\varepsilon_{it}\) | 隨機擾動項 |
\(D_{type}\) | 型別的虛擬變數 |
估計方法展示
資料展示
估計方法:同上,將型別變數按照虛擬變數加入方程即可。
隨機效應模型
背景思想:每組估計值的截距項的變動不與X的特徵有關。
個體隨機效應
模型假設
1.\(E(\varepsilon_{it})=0\);
2.\(var(\sigma_\varepsilon)為常數\);
3 \(\varepsilon_{it}與X_{it}不相關\);
4. \(\alpha_i 與X_{it},\varepsilon_{it}不相關\);
5. \(\alpha_i \thicksim i.i.d(0,\sigma_\alpha^2)\);
公式:
\(Y_{it}=\alpha_0 +\alpha_i + X_{it}' \beta + \varepsilon_{it},i = 1,2,3,...,N;t=1,2,3,...,T\)
\(=\alpha_0 + X_{it}' \beta +(\alpha_i+ \varepsilon_{it}),i = 1,2,3,...,N;t=1,2,3,...,T\)
\(=\alpha_0 + X_{it}' \beta + v_{it}, v_{it}=\alpha_i + \varepsilon_{it}, i = 1,2,3,...,N;t=1,2,3,...,T\)
專案 | 含義 |
---|---|
\(i\) | 個體標誌序數 |
\(t\) | 時間序數 |
\(X_{it}\) | 觀測變數,\(K*1\)向量,\((X_{1it,},X_{2it},..,X_{kit})'\) |
\(\beta\) | 引數,\(K*1\)向量, \((\beta_{1},\beta_{2},..,\beta_{k})'\) |
\(\alpha_0\) | 常數項 |
\(\alpha_i\) | 隨機效應 |
\(\alpha_0+\alpha_i\) | 截距項 |
\(\varepsilon_{it}\) | 隨機擾動項 |
\(v_{it}=\alpha_i + \varepsilon_{it}\) | 新的隨機擾動項 |
根據\(v_{it}=\alpha_i + \varepsilon_{it}\);\(\alpha_i \thicksim i.i.d(0,\sigma_\alpha^2)\);\(\alpha_i 與X_{it},\varepsilon_{it}不相關\);\(var(\varepsilon)=\sigma_\varepsilon為常數\)
推導:
\(cov(v_{it},v_{is})=cov(\alpha_i + \varepsilon_{it},\alpha_i + \varepsilon_{is})=cov(\alpha_i ,\alpha_i + \varepsilon_{is})+cov(\varepsilon_{it},\alpha_i + \varepsilon_{is})=cov(\alpha_i ,\alpha_i )+cov(\alpha_i ,\varepsilon_{is})+cov(\varepsilon_{it},\alpha_i )+ cov(\varepsilon_{it},\ \varepsilon_{is}) =\begin{cases}
\sigma_\alpha^2 &\text{if } t \neq s \\
\sigma_\alpha^2 + \sigma_\varepsilon &\text{if } t=s
\end{cases}\)
所以不滿足古典假定,存在異方差與自相關問題。
估計方法展示
- 可行的廣義最小二乘法(FGLS)
模型設定檢驗
F檢驗(chow's test)
原假設:混合迴歸模型
備擇假設:其他模型
以個體固定效應模型為例:\(Y_{it}=u_i+X_{it}'\beta+ \varepsilon_{it}\)
原假設:\(u_1=u_2=...=u_N\) (存在約束,截距不會變)
\(Y_{it}=u_i+X_{it}'\beta+ \varepsilon_{it}\)
計算迴歸的\(RSS_r\)
備擇假設:\(u_1,u_2,...,u_N不全相等\) (無約束,截距會變)
\(Y_{it}=u_i+X_{it}'\beta+ \varepsilon_{it}\)
計算迴歸的\(RSS_u\)
F統計量構造:
\(F=\cfrac{(RSS_r-RSS_u)/[(NT-k-1)-(NT-k-N)]}{RSS_u/(NT-k-N)} \thicksim F(N-1,NT-k-N)\)
專案 | 含義 |
---|---|
\(RSS_r\) | 有約束模型的殘差平方和(混合模型,有約束) |
\(RSS_u\) | 無約束模型的殘差平方和(變截距模型) |
\(k\) | 解釋變數個數 |
LR檢驗
原假設:混合迴歸模型
備擇假設:其他模型
以個體固定效應模型為例:\(Y_{it}=u_i+X_{it}'\beta+ \varepsilon_{it}\)
原假設:\(u_1=u_2=...=u_N\) (存在約束,截距不會變)
\(Y_{it}=u_i+X_{it}'\beta+ \varepsilon_{it}\)
計算迴歸的最大似然函式值的對數\(ln(L_r)\)
備擇假設:\(u_1,u_2,...,u_N不全相等\) (無約束,截距會變)
\(Y_{it}=u_i+X_{it}'\beta+ \varepsilon_{it}\)
計算迴歸的最大似然函式值的對數\(ln(L_u)\)
LR統計量構造:
\(LR=-2(lnL_r-lnL_u)漸近服從\chi^2(約束條件的個數: N-1)\)
豪斯曼檢驗(Hauseman's test)
原假設:個體隨機效應模型(個體效應與迴歸變數無關)
備擇假設:個體固定效應模型(個體效應與迴歸變數有關)
檢驗的原理:
利用組內估計(within),無論是隨機效應模型的引數估計值還是固定效應模型的引數估計值,估計引數值都是一致的
利用廣義最小二乘法,對隨機效應模型的引數估計值是一致的,對於隨機效應模型的引數估計值是不一致的
真實模型 | 組內估計\(\hat\beta_w\) | 廣義最小二乘法\(\tilde{\beta_{re}}\) |
---|---|---|
\(隨機效應模型\) | 一致估計量 | 非一致估計量 |
\(固定效應模型\) | 一致估計量 | 一致估計量 |