Fråga till en ekonometriker

En förutsättning för att kunna göra regressionsanalys är att feltermerna är slumpmässigt fördelade. I detta ligger att man specificerat sin modell korrekt. Om så är fallet ska du ha feltermer som fördelas kring nollan. Det ligger också i OLS natur att dess data är normalfördelat. Om så är fallet bör också feltermen vara normalfördelad (när dessa plottas mot exempelvis Y).

Om du har en annan fördelning på Y kan du behöva kika på någon annan modell. Tobitmodellen om du har kontinuerliga data som inte har negativ fördelning, poisson eller negativ binomialregression om du har räknedata, logistisk regression om du har en kvalitativ variabel med två alternativ, flerbinomial regression om du har en kvalitativ variabel med flera alternativ. Så fort du lämnar OLS kommer du inte längre ha normalfördelade feltermer.

Jag kanske är bakom flötet, men jag kan inte alls se på vilket sätt något av det du skriver är ett svar på mina frågor. Jag frågade om hur man testar att idiosyncratic errors är normalfördelade vid fixed effects-regression på paneldata, inte om OLS. Jag undrade om det är korrekt att skriva ''predict residuals, e'' i Stata och sedan kolla om dessa är normalfördelade.

Förlåt om jag missat något.

http://www.stata.com/support/faqs/st...g-and-effects/

Som sagt så har jag läst allt detta, men förstår fortfarande inte om jag gör rätt. Någon som kan hjälpa mig?

ser ut som om det är ok. Sedan bör du ju veta om du anv en fix, eller random model, då antagandena är olika.
enl : http://en.wikipedia.org/wiki/Panel_data

som du ser i länken i svaret innan gör du en regression. Bara kallas xtreg som kommando - du kan ju mata in värdena och sedan behandla din modell som en mod-ols.

Sitter du med en capm-modell eller? Då spelar väntevärdet på felen roll, vilka du får av din modell såklart.

Jag använder som sagt within fixed effects regression på paneldata.

Du kanske ska kolla in denna artikel:

http://www.sciencedirect.com/science...27539810000332

Jag tror de utvecklat ett test för idiosyncratic errors. Kan dock inte garantera att det är användbart för dig.

I empiriska data håller RE väldigt sällan, det är ett ganska starkt antagande att de oberoende variablerna skulle vara slumpmässiga över tid. FE är generellt sett det bästa alternativet. Men visst kan man köra ett Hausman-test, om man inte är lat som nästan alla empiriker är.

Till TS fråga: använd predict, ue så får du med både u+e. Har inte Woolridge bok men skriver han att e skall vara normalfördelande, så bry dig om e - alltså "idiosyncratic errors". Oftast är det ganska oväsentligt huruvida residualerna är normalfördelade eller inte, så länge det inte är någon patologisk fördelning (typ Cauchy/Laplace).

Tack så mycket för din hjälp!

Själva antagandet i Wooldridge (2013, p. 690) är att the idiosyncratic errors - d.v.s. de icke-observerade faktorer som förändras över tid och påverkar den beroende variabeln - bör vara normalfördelade ‘’conditional on xi and ai’’ (alltså ‘’conditional on’’ de förklarande variablerna och de tidskonstanta icke-observerade faktorerna). Utan detta antagande kan vi ‘’rely on asymptotic approximations’’ vilka kräver stort N och litet T.

Jag vill alltså bara veta om jag testar detta antagande på ett korrekt sätt genom att skriva ‘’predict residuals, e’’ i Stata 12 och sedan studera ett histogram över de värden jag då får fram på residualerna e.

Är det korrekt? e kan alltså ses som en sorts skattningar av idiosyncratic errors? Det är alltså e som bör vara ungefärligt normalfördelade i ett histogram och inte u eller ue?

Jag skulle göra körning som flera körningar, en för varje T, och sedan studera residualfördelningen för att se att de är slumpmässiga (eller göra ett test om du är mer bekväm med detta). Är de alla slumpmässiga är chansen rätt stor att även idiosyncratic errors uteblir i den samlade modellen.

Problemet med att granska residualerna samlat är ju att idiosyncratic errors kan ta ut varandra sett över hela modellen (tidiga T kan ha residualer som ligger under 0 medan sena T kan ha residualer som ligger över 0, eller tvärt om). För att mäta detta kan du ju köra den samlade modellen, applicera en dummy för varje T och sedan samköra T med residualerna och räkna ut medelvärden för residualerna. Om residualernas medelvärden skiljer sig åt (här har jag ingen aning om vad som skulle kunna vara en signifikant skillnad) och dessutom har en tydlig trend sett över tid finns det idiosyncratic errors i residualerna.

Idiosyncratic errors låter annars som något du får p.g.a. att du felspecificerat modellen. Det kan du i vissa fall fixa genom random effects. Kanske bör du överväga en mixad modell (möjligen med fixa effects, random effects och random slopes)?

u är värdet på din random effect. Eftersom du endast estimerar en fixed effects model antar du att u är konstant och ingår i den vanliga intercepten. Om u ska få mening måste du estimera en random effects model.

Förstår om du inte orkar läsa tidigare inlägg, men jag har redan förklarat vad idiosyncratic errors är (de oobserverade faktorer som förändras över tid och påverkar y) och att random effects är en usel idé i mitt fall. Dessutom är det normalitetsantagandet för idiosyncratic errors som jag testar (genom att studera ett histogram över fördelningen av e). Att de kan ta ut varandra spelar väl då ingen roll alls? Ber om ursäkt ifall jag missat något. Och tack ändå för din kommentar.