More Related Content
More from Shota Yasui (14)
Dynamic panel in tokyo r
- 2. WHO AM I?
名前:安井翔太 / Shota Salmon Yasui
Twitter:@housecat442
お仕事:広告×データ分析、ときどきアドテク。
<けーれき>
日本のド文系経済学部
アメリカで計量経済学1年
ノルウェーで経済学修士取得
SNF研究所でデータ分析(環境税作成)
- 7. PANEL
y!! !! + !!!!! + !! + !!!!(! = 1,2, … , !)(! = 1,2, … , !)
時間でも観測対象でもパラメーターが変わらない場合同一のモデル
で扱う事が出来る。
Unobservable specific effect とか Individual specific effect
とか固定効果とかって呼ばれるλがモデルに入ってくる。
・3つの推定方法
Pooled corss section(iとtでダミー変数を入れる方法。今回はパス)
Random effect
Fixed effect (First Differenct)
- 10. FIXED EFFECT
固定効果モデル( 前提:cor(λ,x) ≠ 0 )
個体内での平均と差分とってλを消しちゃえば良いじゃんという発想。
時間変化しない変数をモデルに入れている場合はそれも消えてしま
うので、その効果が推定出来ない。
→ダミー変数とか、教育年数の様な時間であまり変化しないデータは
良く消える。
個体間でも時間でも変動しないので消える。
y!" − !! !! − !! + !! !!" − !! + !! − !! + !!"!
同じ個体内では時間変動しないので消える。
- 11. RANDOM EFFECT
変動効果モデル( 前提:cor(λ,x) = 0 )
定数項が入っていればλは平均が0となる。
このモデルをOLSで推定するとλを通して相関するので、
となる。よって自己相関の問題が起きてしまう。
→一般化最小二乗法で推定。
y!" !! + !!!!" + !!"!
!! + !!" = !!"!
!"## !!", !!"!! ≠ 0
- 13. PLM PACKAGE
library(plm)
#データ読み込んで
data <- read.csv(“Panel for R.csv”)
#pdata.frameというplm用のデータフレームに変換
pdata <- pdata.frame(data, index = c("id", "year"), drop.index = TRUE, row.names = TRUE)
preg <- plm(Y ~ X, data = pdata, model = "random")
#サマリーで結果表示
summary(preg)
iとtの変数を指定
Fixed effect なら”within”
Random effectなら”random”
OLSなら”pooling”
- 16. I NEED DYNAMICS
自己回帰させて動学的なモデルにしたい。
!!" !! + !!!!"!! + !! + !!"
!!" !! + !! !! + !!!!"!! + !! + !!"!! + !! + !!"
λを通してy_it-2がλと相関してしまう。
Random Effectの前提が成り立たない。
OLSの推定もbiasedになってしまう。
ならFixed Effectで推定すれば良いじゃん
- 28. WTF IS “W”
Optimal weighting matrixとかいうもの
Wの中身次第で推定結果が幾らでも変わってしまう。
サンプルモーメントの共分散行列の逆行列が入る。
→直感的な意味合いとしては、「より小さい分散を持つモーメント条件、
つまりはより正確な情報を持つモーメント条件により重みがつく様にな
る。」・・・らしい。
けど共分散行列自体を求めるのにβが必要になってしまう。
→取り敢えず単位行列とかを代入してβを推定して、そこからWを計算
するという方法を用いる。
- 30. NOTIFICATION
AB GMMには幾つか注意点がある。
1. 自己回帰以外の説明変数
• 入れてもおk。ただ、ちゃんと外生的である事。
2. 操作変数入れ過ぎのケース
• Tが大きくなると操作変数が指数的に増える。
• オーバーフィッティングしてパラメーターにバイアスが掛かる
• Wの推定精度が落ちて、パラメーターの標準偏差に下方バイアスが掛か
る
3. 操作変数の条件が満たされているか?
• Overidentification-testで検定する。(sargan-test)
4. 誤差項の自己回帰が無いという仮定を置く必要がある。
• 置かないと操作変数の仮定がそもそも成り立たない。
- 31. AN APPLICATION TO
EMPLOYMENT EQUATION
企業の雇用活動を説明したい。 (data("EmplUK", package = "plm”))
企業が自由に追加コスト無しで雇用数を調整出来る場合
この辺の変数で大体説明される。
賃金
資本
業界
トレンド
マクロ
トレンド
ただ実際には雇用するにも解雇するにもコストが掛かる。
よって、実際の動きはこれらの変数を加味して雇用を調整するという感じになる。
雇用
賃金
資本
業界
トレンド
マクロ
トレンド
雇用
過去の
雇用
- 32. AN APPLICATION TO
EMPLOYMENT EQUATION
雇用モデル
今年のある企業の雇用数は、「賃金・資本量・業種自体への需要・経済全体でのトレンド」に影
響される、というアイデアに基づいているモデル。
「賃金が上がれば雇用が減り、
資本が増えれば雇用が増え、
業種の生産高が増えれば雇用が増える。」
!!" = !!!!"!! + !!!!"!! + !!!!" + !!!!"!! + !!!!" + !!!!!" + !!!!!"!! + !! + !! + !!"
!!":! ! ! !
!!": ! ! !
!!": ! ! !
!!!": ! ! !
!!: !
Some Tests of Specification for Panel Data: Monte Carlo Evidence and an
Aplication to Employment EquationsのTable4(b)と同じ推定。
- 33. #Table4 column(b)
emp.gmm.b <- pgmm(log(emp)~lag(log(emp), 1:2)+lag(log(wage), 0:1)+log(capital)+lag(log(output), 0:1)
|lag(log(emp), 2:99),EmplUK,effect="twoways",model="twosteps")
summary(emp.gmm.b)