المجمعة الانحدار في ستاتا الفوركس

ما مدى سوء استخدام نظام أولس المجمعة بدلا من التأثيرات الثابتة عندما يكون لديك 7 سنوات من بيانات لوحة من ما فهمته، فإن الخطر هو أن المعاملات سوف تكون مرتبطة مع مصطلح الخطأ، مما يجعل التقديرات منحازة. سيكون هناك شكل من أشكال التجانس. هل يمكن أن تساعد إذا كنت تشمل الدمى العام في الانحدار تجميع أولس انها لا تزال لن التقاط آثار اعتراض متفاوتة في البعد الفردي، الحق واحد من المتغيرات التفسيرية الرئيسية الخاصة بك هو كبير على مستوى 5 في الانحدار في. في أولس المجمعة هو كبير عند مستوى 0.001. ھل ھذه النتیجة لا تذکر أو یمکن استخدامھا مع التحفظ بأنھا مبالغة في تقدیرھا أطلب ذلك لأن معظم البارامترات المقدرة ذات أھمیة کبیرة في الانحدار المجمع لعملية شريان الحياة للسودان. أيضا، اثنين من المتغيرات التفسيرية التي هي ثابتة الحصول على إسقاط في الانحدار في. على الرغم من أنها ذات فائدة ثانوية فإنها تساهم من خلال شرح الكثير من التباين في المتغير التابع. (العينة هي راجع للشغل غير متطابقة مع نموذج الآثار العشوائية). هل هناك طريقة ما لتقرر النموذج الذي قد يكون أكثر ملاءمة إذا كنت تعرف بعض الأشياء التي يجب أن نأخذ في الاعتبار عند تنفيذ النماذج أكون ممتنا جدا لسماعهم طلب جون 18 14 في 9: 47Stata: تحليل البيانات والبرامج الإحصائية النظر في نموذج الانحدار الخطي، ودعونا نتظاهر بأن لدينا مجموعتين من البيانات، group1 و group2. يمكن أن يكون لدينا المزيد من المجموعات كل شيء قال أدناه تعميمات لأكثر من مجموعتين. يمكن أن نقدر النماذج بشكل منفصل عن طريق الكتابة أو يمكننا تجميع البيانات وتقدير نموذج واحد، طريقة واحدة يجري الفرق بين هذين النهجين هو أننا نعيق التباين من المتبقية لتكون هي نفسها في المجموعتين عندما تجمع البيانات. عند تقديرنا بشكل منفصل، نقدر عندما نقوم بتجميع البيانات، فإننا نقدر إذا قمنا بتقييم هذه المعادلة للمجموعات بشكل منفصل، نحصل على N (0، سيغما 2) للمجموعة 1 N (0، سيغما 2) للمجموعة 2 الفرق هو أننا قد قيدت الآن التباين ش ل Group1 ليكون نفس التباين ش ل Group2. إذا قمت بإجراء هذه التجربة مع البيانات الحقيقية، سوف نلاحظ ما يلي: سوف تحصل على نفس القيم للمعاملات في كلتا الحالتين. سوف تحصل على أخطاء قياسية مختلفة، وبالتالي إحصاءات الاختبار المختلفة وفترات الثقة. إذا كان من المعروف أن يكون لها نفس التباين في المجموعتين، الأخطاء القياسية التي تم الحصول عليها من الانحدار المجمع هي بيترمداشثي أكثر كفاءة. ولكن إذا كانت الفروق مختلفة حقا، فإن الأخطاء المعيارية التي تم الحصول عليها من الانحدار المجمع تكون خاطئة. 2. التوضيح (انظر ملف الملف والسجل مع النتائج في القسم 7) لقد أنشأت مجموعة بيانات (تحتوي على البيانات الماكلة) على y. x1. و x2. مجموعة البيانات لديها 74 ملاحظات للمجموعة 1 و 71 ملاحظات أخرى للمجموعة 2. باستخدام هذه البيانات، يمكنني تشغيل الانحدارات بشكل منفصل عن طريق الكتابة أو يمكنني تشغيل النموذج المجمع عن طريق كتابة فعلت ذلك في ستاتا، واسمحوا لي تلخيص النتائج. عندما قمت بكتابة الأمر 1، حصلت على النتائج التالية (الأخطاء القياسية بين قوسين): وعندما ركض الأمر 2، حصلت على عندما ركض الأمر 3، حصلت على اعتراض ومعاملات على x1 و x2 في 3 هي نفسها كما في 1، ولكن الأخطاء القياسية مختلفة. أيضا، إذا جمعت المعاملات المناسبة في 3، أحصل على نفس النتائج كما 2: المعاملات هي نفسها، يقدر إما في الاتجاهين. (حقيقة أن المعاملات في 3 هي قليلا قبالة عن تلك في 2 هو فقط لأنني لم أكتب ما يكفي من الأرقام.) الأخطاء القياسية للمعاملات مختلفة. كتبت أيضا أسفل فار (ش) المقدرة، ما ورد في رمز في ناتج الانحدار ستاتارسكوس. في شروط الانحراف المعياري، u هاس s. d. 15.528 في المجموعة 1، 6.8793 في المجموعة 2، وإذا كنا نقصر هذين الرقمين مختلفة جدا لتكون هي نفسها، و s. d. هو 12.096. 3. تجميع البيانات دون تقييد التباين المتبقي يمكننا تجميع البيانات وتقدير المعادلة دون تقييد التباينات المتبقية للمجموعات لتكون هي نفسها. سابقا كتبنا ونبدأ بالضبط بنفس الطريقة. إلى ذلك، نضيف في ما سبق، ثابت 3 الذي يظهر مرتين هو 3 لأن هناك ثلاثة معاملات يتم تقديرها في كل مجموعة (اعتراض، معامل ل x1، ومعامل ل x2). وإذا كان هناك عدد مختلف من المعاملات المقدرة، فسيتغير هذا العدد. وعلى أية حال، فإن هذا سوف يعيد إنتاج الأخطاء المعيارية التي يتم الإبلاغ عنها من خلال تقدير النموذجين بشكل منفصل. والميزة هي أنه يمكننا الآن اختبار المساواة في المعاملات بين المعادلتين. على سبيل المثال، يمكننا أن نقرأ الآن مباشرة من نتائج الانحدار المجمعة إذا كان تأثير x1 هو نفسه في المجموعتين 1 و 2 (الإجابة: bg2x10 لأن bx1 هو التأثير في المجموعة 1 و bx1bg2x1 هو التأثير في المجموعة 2، لذلك والفرق هو bg2x1). و، وذلك باستخدام الاختبار. يمكننا اختبار القيود الأخرى كذلك. على سبيل المثال، إذا كنت تريد أن تثبت لنفسك أن نتائج 4 هي نفس الكتابة ريجريس ذ X1 X2 إذا group2. يمكنك كتابة 4. التوضيح باستخدام البيانات الماكياج، فعلت ذلك بالضبط. وللاختصار، أولا أنا قدرت انحدارات منفصلة: ثم ركضت الانحدار مقيدة التباين، وبعد ذلك ركض التباين غير المقيد التباين، فقط أن أذكركم، وهنا هو ما الأوامر 1 و 2 ذكرت: هنا هو ما ورد 4 الأمر: هذه النتائج هي نفس 1 و 2. (لا تولي اهتماما ل رمز المبلغ عنها من قبل تراجع في هذه الخطوة الأخيرة و رمز المبلغ هو الانحراف المعياري من أي من المجموعتين ولكن بدلا من ذلك المتوسط ​​المرجح انظر الأسئلة الشائعة في هذا إذا كنت إذا كنت تريد أن تعرف الأخطاء القياسية من المخلفات ذات الصلة، ننظر إلى الوراء في الإخراج من تلخيص البيانات المكتوبة عند إنتاج متغير الترجيح.) ملاحظة تقنية: إمسب في خلق الأوزان، ونحن كتبته وبالمثل للمجموعة 2. ذي 3 التي تظهر في عامل التطبيع المحدود للعينة (r (N) -1) (r (N) -3) نظرا لوجود ثلاثة معاملات لكل مجموعة يتم تقديرها. إذا كان نموذجنا أقل أو أكثر من المعاملات، فإن هذا الرقم يتغير. في الواقع، عامل تطبيع عينة محدودة التغييرات نتائج قليلة جدا. في العمل الحقيقي، كنت قد تجاهلها وكتابة ما لم يكن عدد الملاحظات في واحدة من المجموعات صغيرة جدا. تم تضمين عامل التطبيع هنا بحيث 4 سوف تنتج نفس النتائج 1 و 2. 5. (عدم وجود) أهمية عدم تقييد التباين هل يهم ما إذا كنا نقيد التباين هنا، لا يهم كثيرا. على سبيل المثال، إذا قمنا بعد اختبار ما إذا كانت المجموعة 2 هي نفس المجموعة 1، نحصل على إذا قمنا بدلا من ذلك بتقييد التباينات لتكون هي نفسها، وتقدير النموذج المستخدم ثم تكرار الاختبار. فإن إحصاءات F المبلغ عنها ستكون 309.08. إذا كان هناك المزيد من المجموعات، وكانت الاختلافات التباين كبيرة بين المجموعات، وهذا يمكن أن يصبح أكثر أهمية. 6. طريقة أخرى لتتناسب مع نموذج التباين غير المقيد ستاتارسكوس ستغلس، لوحة (هيت) الأمر (انظر ستغلس) يناسب بالضبط النموذج الذي كنا تصف، والفرق الوحيد هو أنه لا يجعل جميع التعديلات عينة محدودة، لذلك الأخطاء القياسية هي مجرد مختلفة قليلا عن تلك التي تنتجها الطريقة التي وصفها للتو. (ولكي تكون واضحة، شتغلز، لوحات (هيت) لا تجعل التعديل الموصوفة في الملاحظة التقنية أعلاه، وأنه لا يجعل التعديلات عينة محددة تراجعت يجعل نفسه، لذلك يتم تقريب التباين ثابت من قبل N عدد الملاحظات، بدلا من N - k الملاحظات ناقص عدد المعاملات المقدرة.) على أي حال، لتقدير كستغلز، لوحات (هيت). يمكنك تجميع البيانات كما هو الحال دائما، لتقدير النموذج. نتيجة القيام بذلك مع البيانات خيالية هي هذه هي نفس المعاملات التي رأيناها دائما. الأخطاء القياسية التي تنتجها شتغلز، لوحات (هيت) هنا حوالي 2 أصغر من تلك التي تنتجها 4 وبشكل عام سوف تكون أصغر قليلا لأن كستغلز، لوحات (هيت) هو مقدر على أساس أبيمتوتيكالي. ومع ذلك، فإن المقدرين هما مكافئان نظريا، وفي الواقع يصبحان متطابقين سريعا. الحذر الوحيد الذي أنصح بعدم استخدام شتغلز، لوحات (هيت) إذا كان عدد درجات الحرية (ملاحظات ناقص عدد المعاملات) أقل من 25 في أي من المجموعات. ومن ثم، فإن نهج أولس المرجح 4 هو أفضل (ويجب إجراء تعديل العينة المحددة الموضحة في الملاحظة التقنية المذكورة أعلاه). 7. الملحق: ملف وتسجيل تقديم النتائج المذكورة أعلاه 7.1 ملف الملف تم استخدام الملف التالي، واسمه unc. Do. حتى خط قراءة لدكوبيجينينغ من ديمونستراترسكو، تشعر ملف دو مع بناء مجموعة البيانات الاصطناعية للمظاهرة: unv. do ملف الملف هو مبين في 7.1 أنتج الإخراج التالي: unv. log