For Better Performance Please Use Chrome or Firefox Web Browser

Endogeneity (Omitted variable)

Excellent
44% (7 votes)
Good
50% (8 votes)
Mediocre
6% (1 vote)
Total votes: 16

Comments

اگر برای پاسخ گویی به یک فرد غیر آماری ، این سوال برایشان پیش آمد که وارد کردن و اضافه کردن یک متغیر هزینه بر است چه پاسخی دهیم؟

excellent آیا می توان به جای روش های ذکر شده در سمینار با موارد ساده تری چون مرکزی کردن متغیرها مشکل را رفع نمود؟

نه نمیشه چون در هم خطی چندگانه مشکل فقط در ماتریس مشاهدات بود و متناسب با مشکل، راه حل داده میشد اما در درون زایی درسته که متغیری با متغیر دیگر در رابطه است ولی این رابطه در واقعیت است و قبل از مشاهده ما به این موضوع پی می بریم و مشاهدات برمبنای هرکدام از راه حل ها جمع آوری می شود هم چنین در درون زایی مشکل اصلی ما هم بسته بودن متغیر مستقل با خطاست بالطبع باید راه حل ها این مشکل را برطرف کنند.

در مدل با اثرات آمیخته که معمولا برای تحلیل داده های طولی (یا پانلی) مورد استفاده قرار می گیرد نیز مساله درون زایی به دلیل حذف متغیر مستقل رخ می دهد. در رابطه با این گونه مدل ها، وابستگی متغیر مستقل موجود در مدل می تواند با با قیمانده های مدل باشد، همچنین این وابستگی می تواند در رابطه با اثرات تصادفی (عرض از مبدا تصادفی و یا شیب تصادفی) نیز رخ دهد. در مورد وابستگی متغیرهای توضیحی مدل با عرض از مبدا تصادفی، مرکزی کردن متغیر توضیحی داخل مدل، مشکل درون زایی را برطرف می کند، درصورتی که برای وابستگی متغیر توضیحی با با قیمانده و یا شیب تصادفی، مرکزی کردن نمی تواند مشکل را برطرف کند.

بنابراین در مدل رگرسیون خطی، مشکل وابستگی با باقیمانده، توسط مرکزی کردن، رفع نمی شود. ولی در رابطه با مدل های دیگر (مثال بالا) مرکزی کردن مفید است.

روش دوم چطوری مشکل درون زا بودن (هم بسته بودن متغیر با خطا)را رفع میکنه؟؟

Add new comment

Plain text

  • Allowed HTML tags: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd> <br> </br> <br/>
  • Web page addresses and e-mail addresses turn into links automatically.
CAPTCHA
This question is for testing whether you are a human visitor and to prevent automated spam submissions.
Image CAPTCHA
Enter the characters shown in the image.