J'avais l'habitude de penser que le "modèle à effets aléatoires" en économétrie correspond à un "modèle mixte avec interception aléatoire" en dehors de l'économétrie, mais je ne suis pas sûr à l'heure actuelle. Le fait-il?
L'économétrie utilise des termes tels que "effets fixes" et "effets aléatoires", ce qui diffère quelque peu de la littérature sur les modèles mixtes, ce qui engendre une confusion notoire. Considérons une situation simple où dépend linéairement de mais avec une interception différente dans différents groupes de mesures:
Ici, chaque unité / groupe est observé à différents moments . Les économétriciens appellent cela des "données de panel".
Dans la terminologie des modèles mixtes, nous pouvons traiter comme un effet fixe ou aléatoire (dans ce cas, il s’agit d’une interception aléatoire). Le traiter comme fixe signifie ajuster et pour minimiser les erreurs carrées (c'est-à-dire l'exécution d'une régression OLS avec des variables de groupe factice). Le traiter de manière aléatoire signifie que nous supposons en outre que et utilisons le maximum de vraisemblance pour ajuster et au lieu d’ajuster chaque . Ceci conduit à l’effet de "pooling partiel", où les estimations sont réduites vers leur moyenne .pu i u i ~ N ( u 0 , σ 2 u ) u 0 σ 2 u u i u i u 0
R formula when treating group as fixed: y ~ x + group R formula when treating group as random: y ~ x + (1|group)
- En économétrie, nous pouvons traiter l'ensemble de ce modèle comme un modèle à effets fixes ou un modèle à effets aléatoires. La première option est équivalente à l’effet fixé ci-dessus (mais l’économétrie a sa propre méthode d’estimation de dans ce cas, appelée ). J'avais l'habitude de penser que la deuxième option est équivalente à l'effet aléatoire ci-dessus; Par exemple, @JiebiaoWang dans sa réponse très élue à Quelle est la différence entre les effets aléatoires, les effets fixes et le modèle marginal? dit ça
"within" estimator
En économétrie, le modèle à effets aléatoires peut uniquement désigner un modèle à interception aléatoire, comme dans la biostatistique.
Okay - laissez-nous tester si cette compréhension est correcte. Voici quelques données aléatoires générées par @ChristophHanck dans sa réponse à Quelle est la différence entre les modèles à effets fixes, à effets aléatoires et à effets mixtes? (Je mets les données ici sur pastebin pour ceux qui n'utilisent pas R):
@Christoph fait deux crises en utilisant des approches économétriques:
fe <- plm(stackY~stackX, data = paneldata, model = "within")
re <- plm(stackY~stackX, data = paneldata, model = "random")
Le premier donne l'estimation du bêta égal à -1.0451
, le second 0.77031
(oui, positif!). J'ai essayé de le reproduire avec lm
et lmer
:
l1 = lm(stackY ~ stackX + as.factor(unit), data = paneldata)
l2 = lmer(stackY ~ stackX + (1|as.factor(unit)), data = paneldata)
Le premier cède -1.045
en parfait accord avec l’estimateur Within ci-dessus. Cool. Mais le second produit -1.026
, qui se situe à des kilomètres de l’estimateur à effets aléatoires. Il h? Que se passe-t-il? En fait, ce qui est plm
même fait , lorsqu'il est appelé avec model = "random"
?
Quoi qu'il en soit, peut-on le comprendre d'une manière ou d'une autre via la perspective de modèles mixtes?
Et quelle est l'intuition derrière tout ce qu'il fait? J'ai lu dans quelques endroits économétriques que l'estimateur à effets aléatoires est une moyenne pondérée entre l'estimateur à effets fixes et la "between" estimator
pente plus ou moins régressive si nous n'incluions pas du tout l'identité de groupe dans le modèle (cette estimation est fortement positive dans ce cas). cas, autour 4
.) Par exemple, @Andy écrit ici :
L'estimateur à effets aléatoires utilise ensuite une moyenne pondérée par la matrice de la variation intra et inter de vos données. [...] Cela rend les effets aléatoires plus efficaces [.]
Pourquoi? Pourquoi voudrions-nous cette moyenne pondérée? Et en particulier, pourquoi le voudrions-nous au lieu d’utiliser un modèle mixte?