Słownik metodologiczny · Regresja

Ekonometria

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Ekonometria

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Ekonometria?

Ekonometria łączy modele statystyczne, teorię ekonomiczną i dane obserwacyjne do estymacji zależności, prognoz i wnioskowania przyczynowego.

Zastosowanie, warunki i dobre praktyki

Charakterystyczne dla ekonometrii jest ścisłe powiązanie równania z teorią oraz problemem identyfikacji. Ten sam model może dobrze przewidywać, ale nie pozwalać na interpretację przyczynową, jeśli predyktor jest endogeniczny lub pominięto wspólne przyczyny. W praktyce wybór między prognozą a estymacją efektu określa, czy ważniejsze będą dane poza próbą, zmienne instrumentalne, modele panelowe czy eksperyment naturalny.

Najważniejsze zastosowanie: Stosuj do szeregów czasowych, danych panelowych, eksperymentów naturalnych i modeli rynku.

Jak poprawnie stosować i interpretować hasło „Ekonometria”?

W analizie dotyczącej hasła „Ekonometria” w ekonometrii punkt wyjścia stanowią pytanie ekonomiczne, mechanizm identyfikacji oraz rodzaj danych: przekrojowych, panelowych albo czasowych. Dla interpretacji hasła „Ekonometria” innego uzasadnienia wymaga model przeznaczony do prognozy, a innego estymacja skutku podatku, terapii czy regulacji. W odniesieniu do hasła „Ekonometria” współczynnik można interpretować przyczynowo dopiero wtedy, gdy projekt lub założenia pozwalają oddzielić badany efekt od selekcji, trendu i wspólnych przyczyn.

W odniesieniu do hasła „Ekonometria” ocena modelu ekonometrycznego obejmuje postać funkcji, endogeniczność, strukturę błędu, zależności w czasie lub między jednostkami oraz stabilność wyniku w alternatywnych specyfikacjach. Przy ocenie hasła „Ekonometria” dla danych panelowych trzeba rozważyć efekty jednostkowe i czasowe, dla szeregu — stacjonarność i autokorelację, a dla zmiennej instrumentalnej — trafność oraz siłę instrumentu. W analizie dotyczącej hasła „Ekonometria” odporne błędy standardowe nie usuwają obciążenia współczynnika spowodowanego złą identyfikacją.

Co trzeba opisać w raporcie?

W analizie dotyczącej hasła „Ekonometria” raport z analizy ekonometrycznej powinien nazwać jednostkę obserwacji, okres, źródło danych, równanie, sposób identyfikacji i strukturę błędów standardowych. Dla interpretacji hasła „Ekonometria” należy pokazać estymaty z przedziałami ufności, diagnostykę właściwą dla projektu oraz wyniki analiz wrażliwości. W odniesieniu do hasła „Ekonometria” w badaniu przyczynowym trzeba osobno obronić założenia identyfikacyjne, zamiast opierać wniosek na samym dopasowaniu modelu.

Zakres raportowania dla hasła „Ekonometria”: Opisz identyfikację, założenia, strukturę błędu, odporne SE i analizę wrażliwości.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Wpływ zmiany podatku ocenia się z wykorzystaniem grupy porównawczej i modelu różnic w różnicach.

Jak ją zinterpretować: Oszacowany parametr ma znaczenie przyczynowe tylko przy spełnieniu założeń identyfikacyjnych, m.in. braku endogeniczności lub właściwym instrumencie. Dobre dopasowanie i trafna prognoza same nie wystarczają do nazwania współczynnika efektem interwencji.

Najczęstsza pułapka i granica interpretacji

Dobre dopasowanie predykcyjne nie gwarantuje identyfikacji efektu przyczynowego.

W odniesieniu do hasła „Ekonometria” dobra prognoza nie dowodzi poprawnej interpretacji przyczynowej, a statystycznie istotny współczynnik nie usuwa endogeniczności. Przy ocenie hasła „Ekonometria” wniosek pozostaje zależny od populacji, okresu, specyfikacji oraz założeń, których często nie można w pełni sprawdzić na podstawie tych samych danych.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Reszty regresjiData miningDummy codingHeterogeniczność wariancjiHomogeniczność wariancjiHomoskedastyczność

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
  2. Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R