Ich habe einen Panel-Datensatz mit einer Stichprobe von 800 Gruppen, die jeweils zwischen 200-500 Beobachtungen. Die Daten sehen folgendermaßen aus: Die abhängige Variable ist binomial: closegp30f30. Die unabhängigen Variablen sind kontinuierliche Wachstumsraten. Eine Beispielzusammenfassung von einem dieser ist: Ich möchte diese experimentelle Regression ausführen: Wenn ich jedoch mehr als etwa 5 Variablen hinzufüge, konvergiert die Regression nie und ich scheine in einer Schleife von gesicherten Iterationen zu stecken, wie so: I Haben auch diese Regression mit allen Debugging-Informationen aktiviert, dies ist eine Menge von Informationen, sondern kann die Antwort auf, warum es nicht konvergieren kann. Beachten Sie, dass ich hier auf die standardisierten Werte der unabhängigen Variablen zurückging, aber das hatte genau die gleiche Wirkung (aus irgendeinem Grund hoffte ich, dass es mein Problem lösen würde). Meine wichtigsten Fragen sind: Warum ist es nicht konvergiert Wie kann ich diese Situation lösen Update: Multicollinearity-Checks Auch dies scheint nicht ein Problem zu sein. Update 2: mit Gradientenoption und geänderten Grenzwerten: Ich weiß nicht, ob dies hilft, aber wenn ich xtdata indepvars, i (tickerid) fe löschen, gefolgt von einem logit depvar indepvar (was normalerweise gut funktioniert), scheint das Logit zu stecken auch. Ich glaube also, dass es etwas mit festen Effekten und Paneldaten zu tun hat. Macht das Sinn, wie schon erwähnt, schon schwierig. Ohne Wirkung. Ich verstehe immer noch nicht, warum dies geschieht. Ist es meine Daten Wie kann ich feststellen, welche Variable dies verursacht Kann ich es umwandeln, um das Problem zu lösen Wollen Sie, dass ich es wieder mit schwierig auf und posten Sie die neue Protokolldatei Die Regression ist bei Iteration 34 jetzt und die Steigung ist noch 2111.886 ndash Tom Mar 30 13 am 22:42 Eine kurze Antwort ist, dass komplizierte Modelle sind oft schwer zu passen Sie sollten versuchen, ein viel einfacheres Modell zuerst. Vielleicht gibt es Probleme wegen der hohen Korrelationen zwischen Prädiktoren. Manchmal mit der schwierigen Option hilft. Der Versuch, ein einfacheres Modell zuerst zu versuchen, ist zweifach. Wenn Sie nicht ein einfacheres Modell zu passen, kann ein komplizierteres Modell noch weniger wahrscheinlich zu passen. Genauer gesagt, kann es möglich sein, zu identifizieren, welche Prädiktoren problematisch sind: wie Sie sie hinzufügen, die Dinge nachweisbar stall. Manchmal versuchen Menschen, die Wachstumsraten mit einer signaturerhaltenden Transformation zu transformieren, wie beispielsweise dem Cube-Root oder einer inversen hyperbolischen Funktion. Dies wird vorgeschlagen, weil Ihr Beispiel-Prädiktor ist enorm schief mit sehr hoher Kurtosis, da Ausreißer von sehr hohen Wachstumsraten. Das könnte ernsthaft problematisch sein. Auch eine grobe Vermutung ist, dass, obwohl Ihre Antwort 0,1 ist, scheint es von der gleichen Art wie die anderen: hat Ihr dichotomise etwas wie (Wertschwelle) Wenn ja, haben Sie die meisten Informationen in der ursprünglichen Antwort verworfen haben, und Sie versuchen, das durch Rauschen und Ausreißer zu erklären. Das ist eine sehr pessimistische Lektüre, aber es scheint völlig im Einklang mit dem, was Sie uns erzählen. Haben Sie bereits Erfahrungen mit ähnlichen Modellen mit ähnlichen Daten, oder gibt es Literatur, die darauf hindeuten, dass sie funktionieren, wenn sie versuchen, weniger Variablen wie g1, g3, g10, g15 es funktioniert. Aber wenn ich anfange, mehr als ungefähr 5 hinzuzufügen, es doesn39t konvergieren. Wie hilft mir das, dass ich alle Variablen einschließen muss und ihre Bedeutung sehen kann. Ich habe meine ursprüngliche Frage mit einer multicollinearity Überprüfung aktualisiert: dieses scheint nicht, das Problem zu sein. Ich versuchte auch die schwierige Option, aber es half nicht. Ndash Tom Mar 30 13 at 21:55 Als Reaktion auf Ihr Update: Ich habe die abhängige Variable dichotomisieren. Es ist eins, wenn die zukünftige Wachstumsrate positiv ist und Null, wenn es negativ oder Null ist. Meine Gründe dafür sind Grund, weil ich nicht mehr wissen muss als dieses Aufwärts - oder Abwärtsverhalten, und es erlaubt mir, ein logistisches Modell mit Laxer-Annahmen als OLS-Regressionen zu verwenden. Meine anfänglichen Ergebnisse scheinen dies zu bestätigen, da die Vorhersagen, die durch die OLS-Regression gemacht werden, viel öfter ungültig sind (selbst wenn sie nur das Zeichen des Wachstums betrachten) als die Vorhersagen, die durch die feste Effekte-logistische Regression gemacht werden. Ndash Tom Mar 31 13 um 15: 07Announcement 19 Feb 2015, 08:26 Um den Maartens Kommentar hinzufügen, scheint der Begriff quotfixed-effectsquot verwendet werden, um sehr verschiedene Dinge in der Literatur zu beschreiben. So wie ich es sehe - und das könnte für die Sozialwissenschaften nur zutreffen - kommen die Menschen entweder aus der Mehrebenenliteratur, wo das klassische Beispiel der Datenstruktur Schüler ist, die in Schulen eingebettet sind. Für sie bedeutet der Begriff quotfixed-effectsquot, dass ein Variableneffekt in dem Sinne festgelegt ist, dass die Wirkung nicht zwischen Einheiten (Schüler oder Schule) variiert. Diese Effekte werden in sogenannten Mischmodellen geschätzt. Dies hat nichts mit der Fähigkeit zu tun, die (nicht beobachtete) Heterogenität zu kontrollieren, die in den höheren Beobachtungen (hier: Schulen) konstant ist. Die zweite Gruppe kommt aus der Podiumsliteratur, wo das klassische Beispiel Individuen ist, die zu verschiedenen Zeitpunkten beobachtet werden, oder in anderen Worten, die Gelegenheiten, die in Individuen verschachtelt sind. Hierbei bedeutet quotfixed-effectsquot gewöhnlich (Zeit) erniedrigte oder in-Varianz-Schätzung (bei nicht-linearen Modellen ist es ein bedingter Likelihood-Schätzer). Diese Effekte werden nicht abgeschätzt (neben dem LSDV-Schätzer). Solche Modelle steuern die (nicht beobachtete) Heterogenität, die in den höheren Beobachtungen (hier: Individuen) konstant ist. Ich brauchte eine ganze Weile, um herauszufinden, daß die Datenstruktur in beiden Fällen dieselbe ist und daß in beiden Fällen dieselben Methoden zur Analyse derselben verwendet werden können. Das ist für mich jetzt ziemlich klar, aber nach meiner Erfahrung wissen viele Menschen nicht, dass diese beiden Dinge tatsächlich die gleichen sind und über mehrstufige oder hierarchische Modelle als etwas ganz anderes als das, was sie Panel-Modelle nennen, sprechen. Zuletzt bearbeitet von daniel klein 19 Feb 2015, 08:33. 19 Feb 2015, 10:50 Ich zweite Daniels Beobachtungen. Aber meine Interpretation unterscheidet sich von Marcoss. Für mich bezieht sich der Bezug auf quadratische (d. H. Hierarchische) Mixed-Effects-Modelle quotiv praktisch immer darauf, was Ökonomen als "random effects" - Motivmodelle bezeichnen. "Fixed - Effektquot-Modelle für Ökonomen sind jene, in denen es feste, einheitsspezifische Abschnitte gibt (obwohl Freiheitsgrade zulässig, auch auf unit-specific slope-Parameter bezogen werden konnten). NB quotunit-specificquot, was bedeutet, dass die Abschnitte nicht aus einer Verteilung gezogen werden, typischerweise normal, und werden mit den beobachteten Eigenschaften der Einheit unkorreliert angenommen. Der FE-Ansatz baut nicht auf Unkorreliertheit. Nur weil Daten eine verschachtelte oder hierarchische Struktur haben, bedeutet das nicht unbedingt, dass man ein mehrstufiges (d. H. Zufälliges Effekte) Modell verwenden sollte. Das steht im Einklang mit dem, was Daniel sagt. 19 Feb 2015, 13:28 Es scheint, dass wir unter einigen Aspekten einen umstrittenen Punkt erreicht haben. Oder nicht, hoffentlich. Aus theoretischen Gründen kann ich nicht wirklich eine persönliche Antwort geben: weit über meine Fähigkeiten hinaus. Aber ich verstehe immer noch nicht, was falsch ist mit der Feststellung, dass Panel-Daten als ein spezifischer Fall der viel breiter Multi-Level-gemischte Modelle genommen werden sollten, mit entsprechenden Ergebnissen, wenn es nur eine Ebene. Eigentlich, und vielleicht ist das nicht ein einstimmiger Punkt-of-view, seine die Art und Weise Ive gelernt, nach Referenzen Bücher und Dozenten. Zum Beispiel: Das hier betrachtete Varianzkomponenten-Modell mit xtreg ist ein einfacher Spezialfall eines linearen Mischeffektmodells mit dem xtmixed-Kommando (Rabe-Hesketh und Skrondal), Multilevel - und Longitudinalmodellierung mit Stata, StataPress, 2012, p .85). Die einfachste Art von Modell dieses Typs ist das lineare gemischte Modell, ein Regressionsmodell mit einem oder mehreren zufälligen Effekten. Ein spezieller Fall dieses Modells ist das von xtreg implementierte Zufallseffekt-Panel-Datenmodell, das wir bereits besprochen haben. Wenn der einzige zufällige Koeffizient ein Zufallsintervall ist, sollte dieser Befehl verwendet werden, um das Modell abzuschätzen. Für komplexere Modelle kann der Befehl xtmixed verwendet werden, um eine mehrstufige Mischeffektregression abzuschätzen. (Cristopher F Baum: Modelle für Longitudinaltafel-Daten und gemischte Modelle Link: economics. adelaide. edu. au aLecture3.pdf Aus Statas-Handbuch (statamanuals13me. pdf) Da dieses - gemischte Modell ein einfaches Zufalls-Intercept-Modell passend ist Von ML, wäre es gleichbedeutend mit der Verwendung von xtreg mit seiner mle Option. Auch gibt es eine Abfrage, die ich im vergangenen Jahr zu Gustavo Sanchez (StataCorp) während eines Netzes auf Panel Daten, genau aufgrund meiner Verwunderung durch den Vergleich habe ich zwischen gemischt Und xtreg - In dem Brief kommentierte ich: Ich habe einen Vergleich zwischen beiden Modellen und ich habe genau die gleichen Ergebnisse. Wie soll ich wählen, die beste Und die Antwort von StataCorp: Sie erhalten das gleiche Ergebnis mit gemischten, ml Stddeviations und xtreg, mle, weil das letztere passt zu einem Modell, das ein besonderer Fall für die gemischte Effekte-Modell ist. Darüber hinaus, beide Kommandozeilen-Spezifikationen sind mit dem gleichen mle Schätzer. Beachten Sie, dass mit xtreg, passen Sie eine einseitige zufällige Effekte Modell, das das gleiche wie das Misch-Effekt-Modell mit nur einer Ebene für die Random-Effect-Komponente ist. Hinsichtlich der Beziehung zwischen hierarchischen und mehrstufigen Modellen: Es ist praktisch, ein Liner-Mischmodell (LMM) in Form einer explizit definierten Hierarchie einfacherer Modelle anzugeben. Die den Ebenen eines geclusterten oder longitudinalen Datensatzes entsprechen. Wenn LMMs so spezifiziert werden, werden sie oft als hierarchische lineare Modelle (HLMs) oder mehrstufige Modelle (MLMs) bezeichnet (West, Welch, Gatecki.) Lineare gemischte Modelle: ein praktischer Führer unter Verwendung statistischer Software Presse, 2015, Seite 22) Alle diese Autoren scheinen zufällig in die gleiche Richtung zu gehen, wie wir sie in der letzten Nachricht unterstrichen haben. Mit freundlichen Grüßen kann ich mir nicht vorstellen, in welchem Punkt diese Aussagen falsch sein könnten. Daher und auch aufrichtig scheint mir, dass wir alle in diesem Thread zu demselben Thema sprechen, aber nicht unbedingt gegen oder für Gnade. Und ich stimme absolut zu, dass Fixeffekte unter verschiedenen Spezialitäten unterschiedliche Bedeutungen haben können, und nicht nur gemischte Modelle, sondern auch verschachtelte Modelle (wie zB nestreg.) Können unter bestimmten Bedingungen hierarchische Strukturen bewältigen. Ich entschuldige mich dafür, dass ich so eine lange Nachricht geschrieben habe. Meine Schuld, zweifellos. Wie Pascal einmal sagte (und hier nur den Philosophen-Mathematiker paraphrasierend), hatte ich leider nicht die Zeit, es kürzer zu machen, wie ich sollte. Zuletzt bearbeitet von Marcos Almeida 19 Feb 2015, 13:34. 19 Feb 2015, 14:01 Ich denke, es gibt zwei terminologische Verwirrung passiert zur gleichen Zeit: Der Begriff feste Effekte bedeutet, verschiedene Dinge in verschiedenen Traditionen und Multi-Level-Modelle und Panel-Modelle sind so ziemlich das gleiche. Das Problem Stephen hatte mit Ihrer Behauptung, dass die Paneldaten sollten als ein spezifischer Fall von Multi-Level-Mix-Effekte-Modelle angenommen werden. Das Problem ist, dass für Ökonomen quotmulti-levelquot gleich zufällig ist. Dies ist nicht wahr, in anderen Disziplinen, aber das macht dies weniger ein Problem, wenn Sie ein Wirtschaftswissenschaftler sind. So vermute ich, dass Sie beide richtig sind, und dass die Terminologie, die in diesem Bereich verwendet wird, ein hoffnungsloses Durcheinander ist.
No comments:
Post a Comment