Modele pooled

Si vous êtes connu pour avoir la même variance dans les deux groupes, les erreurs standard obtenues à partir de la régression regroupée sont meilleures, elles sont plus efficaces. Si les écarts sont vraiment différents, cependant, les erreurs standard obtenues à partir de la régression regroupée sont erronées. Dans tous les cas, cela reproduirait exactement les erreurs standard signalées en estimant les deux modèles séparément. L`avantage est que nous pouvons maintenant tester l`égalité des coefficients entre les deux équations. Par exemple, nous pouvons maintenant lire les résultats de régression regroupés si l`effet de x1 est le même dans les groupes 1 et 2 (réponse: is _ b [g2x1] = = 0?, parce que _ b [x1] est l`effet dans le groupe 1 et _ b [x1] + _ b [g2x1] est l`effet dans le groupe 2 , donc la différence est _ b [g2x1]). Et, en utilisant le test, nous pouvons également tester d`autres contraintes. J`ai également noté le var estimé (u), ce qui est rapporté comme RMSE dans la sortie de régression de Stata. En termes d`écart-type, u a s.d. 15,528 dans le groupe = 1, 6,8793 dans le groupe = 2, et si nous limitons ces deux nombres très différents pour être le même, la s.d. commune est 12,096. . Le do-file montré dans 7,1 produit la sortie suivante: uncv.

log à moins que le nombre d`observations dans l`un des groupes était très faible. Le facteur de normalisation a été inclus ici de sorte que [4] produirait les mêmes résultats que [1] et [2]. Juste pour vous rappeler, voici ce que les commandes [1] et [2] rapporté: et de même pour le groupe 2. Les 3 qui apparaissent dans le facteur de normalisation de l`échantillon fini (r (N)-1)/(r (N)-3) apparaissent parce qu`il y a trois coefficients par groupe qui sont estimés. Si notre modèle avait moins ou plus de coefficients, ce nombre changerait. En fait, le facteur de normalisation des échantillons finis modifie très peu les résultats. En vrai travail, je l`aurais ignoré et tapé il y a une différence importante. S`il y a une hétérogénéité non observée (c.-à-d. un facteur non observé qui affecte la variable dépendante), et ceci est corrélé avec un certain régressor observé, alors le POLS est incohérent, alors que le FE est cohérent. S`il n`y a pas d`hétérogénéité non observée (improbable), ou si cela n`est pas corrélé avec tous les régresseurs, les deux POLS et FE sont cohérents (quoique pas efficaces).

$ $y _ {IT} = x_ {IT} beta + w_igamma + (eta_i + epsilon_{IJ}) $ $ la différence est que nous avons maintenant contraint la variance de vous pour le groupe = 1 pour être le même que la variance de vous pour le groupe = 2. et laissez-nous prétendre que nous avons deux groupes de données, groupe = 1 et groupe = 2. Nous pourrions avoir plus de groupes; tout ce qui est dit ci-dessous généralise à plus de deux groupes. Le do-file suivant, nommé uncv.do, a été utilisé. Jusqu`à ce que la ligne de lecture “début de démonstration”, le do-fichier est concerné par la construction de l`ensemble de données artificielles pour la démonstration: uncv.do Fixed Effects (FE) (ou dans les groupes, WG): estime un modèle démodé. Cela est, il soustrait à chaque individu la moyenne de la période, pour chaque variable temporelle.