MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Araç Değişkenli Regresyon

Araç Değişkenli Regresyonanaliz

Bir açıklayıcı değişken hata terimiyle ilişkili (içsel) olduğunda, onu etkileyen ama sonucu yalnız onun üzerinden etkileyen bir araç değişken kullanarak bu açıklayıcının sonuç üzerindeki etkisini tutarlı biçimde kestiren regresyon yöntemi.

Kavram

Sıradan regresyon, açıklayıcı değişkenin hata terimiyle ilişkisiz olduğunu varsayar. Bu varsayım üç durumda bozulur: ölçülmeyen bir değişken hem açıklayıcıyı hem sonucu etkiliyorsa (atlanmış değişken), sonuç da açıklayıcıyı etkiliyorsa (eşanlılık, ör. fiyat ve talep) ya da açıklayıcı hatalı ölçülmüşse. Bu durumda açıklayıcı içseldir ve en küçük kareler katsayısı gerçek etkiyi sistematik olarak yanlış tahmin eder; örneklem büyüse de bu yanlılık kaybolmaz.

Araç değişken (Z) iki koşulu sağlamalıdır: içsel açıklayıcıyla (X) güçlü biçimde ilişkili olmalı (ilgililik koşulu) ve sonucu (Y) X dışında hiçbir yoldan etkilememelidir (dışlama kısıtı). İki aşamalı en küçük kareler (2SLS) önce X'i araçlarla ve dışsal değişkenlerle tahmin eder, ardından Y'yi X'in bu tahmin edilen, yani yalnız araçlardan gelen ve hatayla ilişkisiz kısmına bağlar. LIML aynı amaca farklı bir kestiriciyle ulaşır ve araçlar zayıf ya da çok sayıdayken daha az yanlıdır. Birbirine bağlı birkaç denklem (arz ve talep gibi) birlikte kestirilecekse SUR ve 3SLS gibi sistem yöntemleri kullanılır.

Sonuç ancak araçlar kadar güvenilirdir. Zayıf araçlar (birinci aşama F değeri yaklaşık 10'un altında) kestirimleri yanlı ve standart hataları güvenilmez yapar. Dışlama kısıtı doğrudan sınanamaz; kuramsal bir gerekçe ister. Araç sayısı içsel değişken sayısından fazlaysa aşırı tanımlama testleri (Sargan, Hansen J) araçların tutarlılığını kısmen denetler. Wu-Hausman testi, değişkenin gerçekten içsel olup olmadığını, yani araç değişkenli yöntemin gerekip gerekmediğini sınar.

Ne zaman kullanılır?

  • Bir açıklayıcının sonuç üzerindeki nedensel etkisi isteniyorsa ama bu açıklayıcı ölçülmeyen etkenlerle, eşanlılıkla ya da ölçüm hatasıyla hata terimine bağlıysa ve geçerli bir araç değişken bulunabiliyorsa (eğitim getirisi, fiyat esnekliği, arz-talep tahmini).
  • Açıklayıcı dışsalsa (Wu-Hausman anlamsız) sıradan en küçük kareler daha kesin sonuç verir; gözlenmeyen etkenler zamanla değişmiyorsa ve panel verisi varsa sabit etkili panel regresyonu da bu yanlılığı giderebilir.
  • Müdahale ile kontrol grubunun önce-sonra karşılaştırması mümkünse farkların farkı; içsellik yalnız gözlenen değişkenlerden kaynaklanıyorsa eğilim skoru yöntemleri değerlendirilebilir.

Gündelik bir örnek

Bir dondurma zinciri, fiyattaki artışın satışları ne kadar azalttığını bilmek istiyor. Ancak sıcak günlerde talep arttığı için fiyatlar da yükseltiliyor; fiyat ile satış arasındaki ham ilişki bu yüzden 'fiyat arttıkça satış artıyor' gibi yanıltıcı görünebilir. Araç değişken olarak çiğ süt maliyeti kullanılıyor: süt pahalılaşınca dondurma fiyatı yükselir, ama süt maliyeti müşterinin dondurma isteğini doğrudan etkilemez. 2SLS, fiyattaki yalnız süt maliyetinden kaynaklanan değişimi kullanarak örneğin fiyattaki %10'luk artışın satışları yaklaşık %8 azalttığını kestirebilir.

MerQur'da parametreler

Kestirici (2SLS (iki aşamalı EKK) / LIML (sınırlı bilgi en çok olabilirlik))

Kavram: İçsel değişkenin etkisini araçlarla kestiren yöntemi seçer. 2SLS en yaygın kestiricidir; LIML, araçlar zayıf ya da sayıca çokken 2SLS'den daha az yanlıdır. Tam bir araç ve bir içsel değişken varken ikisi aynı sonucu verir.

Gündelik örnek: Dondurma örneğinde tek araç süt maliyetiyse 2SLS ile LIML aynı fiyat etkisini verir. Süt, şeker ve enerji maliyeti gibi birkaç zayıf araç birlikte kullanılırsa LIML daha güvenilir bir kestirim sunabilir.

Ne işe yarar: İçsel değişkenin etkisini araçlarla tahmin eder. 2SLS ikinci aşamada ilk aşama tahminlerini kullanır; LIML k-sınıfı bir kestiricidir (κ >= 1) ve zayıf, çok araçlı durumda 2SLS'den daha az yanlıdır.

Sonuca etkisi: Katsayılar, SE, R², σ ve Sargan değişir; ilk aşama, zayıf araç F'si ve Wu-Hausman aynı kalır; LIML'de κ yazılır.

Doğrulama verisinde: hsngval 0.002240 (SE 0.000339) -> LIML 0.002669 (0.000430), κ = 1.256906; R² 0.599 -> 0.490. Tam tanımlı modelde (mroz, tek araç) κ = 1 ve LIML 2SLS ile aynıdır.

→ İki aşamalı en küçük kareler (2SLS) ve LIML

Standart hata (Klasik / HC0 / HC1 / HC3 / Kümelenmiş)

Kavram: Katsayıların belirsizliğinin nasıl hesaplanacağını belirler. Klasik standart hata hataların eşit varyanslı olduğunu varsayar; HC türleri değişen varyansa, kümelenmiş standart hata ise aynı kümedeki gözlemlerin ilişkili olmasına dayanıklıdır. Katsayılar değişmez.

Gündelik örnek: Büyük şubelerde satışlar küçük şubelere göre çok daha dalgalıysa değişen varyans vardır ve HC standart hataları daha güvenilirdir. Aynı şubenin farklı haftaları birbirine benziyorsa şubeye göre kümelenmiş standart hata kullanılır.

Ne işe yarar: Katsayı kovaryansı: klasik (homoskedastik), değişen varyansa dayanıklı HC0, HC1, HC3 ve kümelenmiş.

Sonuca etkisi: SE, t, p, GA, Wald F, zayıf araç F'si ve Wu-Hausman değişir; katsayılar, Sargan ve Hansen J değişmez.

Doğrulama verisinde: hsngval SE: klasik 0.000339; HC0 0.000672; HC1 0.000693; HC3 0.000947; kümelenmiş (division, 9 küme) 0.000407. Zayıf araç F: 13.30, 12.97, 11.42, 7.55 (HC3'te F < 10 uyarısı), 93.05.

→ Sağlam (sandviç) standart hatalar (HC0-HC3)

Küme sütunu

Kavram: Kümelenmiş standart hatanın hangi gruplamaya göre hesaplanacağını belirler; aynı küme içindeki gözlemlerin hataları birbirine bağlı kabul edilir. Küme sayısı azsa bu standart hatalar güvenilmez olur.

Gündelik örnek: Veri 30 şubenin haftalık satışlarından oluşuyorsa küme sütunu şubedir. Yalnız 4 şube olsaydı kümelenmiş standart hata anlamlı bir belirsizlik ölçüsü veremezdi.

Ne işe yarar: Kümelenmiş SE'nin grup değişkeni (ör. eyalet, okul). Yalnızca SE türü Kümelenmiş iken kullanılır; boşsa ya da y, içsel veya araç sütunuysa hata verir.

Sonuca etkisi: Kümelenmiş SE ve tanılar değişir. Küme sayısı parametre sayısından az ya da eşitse uyarı verilir ve tanımsız ortak testler "-" gösterilir.

Doğrulama verisinde: division (9 küme) hsngval SE 0.000407; CigarettesSW state (48 küme) lrprice SE 0.1809 (klasik 0.1552).

→ Küme-sağlam (kümelenmiş) standart hatalar

Kategorik (faktör) değişkenler

Kavram: Sayılarla kodlanmış kategorik değişkenleri kukla değişkenlere açar; bu değişkenler içsel, araç ya da dışsal değişken olarak kullanılabilir.

Gündelik örnek: Şubelerin bulunduğu bölge 1-4 diye kodlanmışsa ve bölgeler farklı süt tedarikçilerinden alım yapıyorsa, bölge kuklaları da fiyatı etkileyen araçlar olarak kullanılabilir.

Ne işe yarar: Sayısal kodlu sütunları (ör. region 1-4) kategorik sayıp ilk düzey referanslı kuklalara açar; içsel, araç ve dışsal seçicilerde kategorik sütun kullanılabilir.

Sonuca etkisi: Seçilen sütun kuklalarla modele girer.

Doğrulama verisinde: Araç region + Faktörler = region: region ilk düzeyi dışarıda bırakılarak kuklalara açılır (hsngval 0.0022398; Wu-Hausman 15.9067; Sargan 11.2877).

→ Kukla (gösterge) değişken kodlaması

Güven Düzeyi (%90 / %95 / %99 / Diğer (özel))

Kavram: Katsayılar için verilen aralıkların güven düzeyini belirler; güven düzeyi arttıkça aralık genişler.

Gündelik örnek: Fiyat esnekliği %95 güvenle -1,1 ile -0,5 arasında bulunabilir; %99 güven istenirse aralık genişler. Araçlar zayıfsa bu aralıklar olduğundan dar görünebilir.

Ne işe yarar: Katsayı aralığının düzeyi (t(n - k)).

Sonuca etkisi: Yalnız aralık sınırları değişir.

Doğrulama verisinde: hsngval: %90 [0.001671, 0.002808]; %95 [0.001558, 0.002921]; %99 [0.001330, 0.003149].

→ Güven düzeyi ve güven aralığı

Kestirim türü (Tek denklem (2SLS / LIML) / Sistem: SUR (görünüşte ilişkisiz regresyon) / Sistem: 3SLS (üç aşamalı EKK)), Sistem denklemleri, Artık kovaryansı paydası (sqrt((T - k_i)(T - k_j)) (systemfit) / T (düzeltmesiz; Stata sureg/reg3)), Yinelemeli (ITSUR / IT3SLS)

Kavram: Birbirine bağlı birden çok denklemi birlikte kestirir. SUR, ayrı denklemlerin hatalarının ilişkili olmasından yararlanarak kestirimleri daha kesin yapar; 3SLS buna içsel değişkenler için araç kullanımını ekler. Hata kovaryansının hesaplanmasındaki küçük örneklem düzeltmesi sonuçları biraz değiştirebilir.

Gündelik örnek: Dondurma piyasasında hem talep (fiyat ve hava sıcaklığına bağlı satış) hem arz (fiyat ve süt maliyetine bağlı üretim) denklemleri vardır ve fiyat ikisinde de içseldir. 3SLS iki denklemi birlikte kestirerek her iki ilişkiyi tek seferde elde eder.

Ne işe yarar: Çok denklemli sistemde denklemler arası hata korelasyonunu kullanan FGLS kestirimi: SUR (denklem başına EKK, ardından blok GLS) ve 3SLS (denklem başına 2SLS, ardından blok GLS). Σ̂ paydası geomean √((T - k_i)(T - k_j)) ya da T olabilir.

Sonuca etkisi: Σ̂ paydası seçimi katsayı ve SE değerlerini değiştirir; aynı paydayı kullanan programlar karşılaştırılmalıdır.

Doğrulama verisinde: Kmenta (n = 20): dört belirtimde katsayı, SE ve tanılar raporlanır; 3SLS arz katsayıları 52.1972, 0.2286, 0.2282, 0.3611.

→ Görünüşte ilişkisiz regresyon (SUR) ve 3SLS

Özel kontrast (L)

Kavram: Katsayıların araştırmacının tanımladığı doğrusal bir birleşimini sınar; örneğin iki katsayının eşit olup olmadığı ya da toplamlarının belirli bir değere eşit olup olmadığı.

Gündelik örnek: Zincir 'fiyatın satışa etkisi ile reklamın satışa etkisi büyüklükçe eşit mi?' sorusunu sormak isterse bu iki katsayının farkı özel kontrastla sınanır.

Ne işe yarar: Model katsayıları üzerinde doğrusal kontrastı (L β) sınar; satırlar katsayı adlarıyla ('grupB - grupA') ya da sayı listesiyle girilir. Seçilen SE türündeki tam kovaryanstan tahmin, SE, test ve GA; birden çok satırda ortak Wald testi verilir.

Sonuca etkisi: Yalnız ek kontrast bölümü eklenir; model tablosu değişmez. SE türü değişince kontrastın SE'si ve testi değişir. Sistem kipinde alan devre dışıdır.

Doğrulama verisinde: Kmenta ivreg(Q ~ P + D | D + F + A): tahminler 0.0704352565722 (SE 0.0789248288742) ve -0.557548332124, ortak F = 23.8065150421; HC1 ile F = 29.2491776556.

→ Karşıtlık (kontrast) ve özel karşıtlık (L)

Gerçek veride örnek

Veri: Stata hsng, [R] ivregress

Değişkenler: bağımlı rent (kira), içsel hsngval (konut değeri), araçlar faminc (aile geliri) ve bölge kuklaları reg2-reg4, dışsal pcturban (kentli yüzdesi)

  • Soru: Konut değerinin (hsngval) kira (rent) üzerindeki etkisi, konut değeri içsel olduğunda aile geliri ve bölge kuklaları araç olarak kullanılarak nasıl tahmin edilir?
  • Varsayım: Birinci aşamada dışlanan araçların ortak testi F(4, 44) = 13.30, p < .001 (kısmi R² = .55); araçlar güçlüdür (F >= 10). Wu-Hausman F(1, 46) = 15.91, p < .001; hsngval içseldir, OLS tahmini (b = 0.0015) tutarsızdır. Sargan χ²(3) = 11.29, p = .010; araçlardan en az biri geçersiz olabilir (Hansen J χ²(3) = 6.84, p = .077 dayanıklı sürümde sınırda).
  • Sonuç: 2SLS ile hsngval b = 0.0022 (SE = 0.0003), t(47) = 6.61, p < .001, %95 GA [0.0016, 0.0029]; konut değerindeki 1000 dolarlık artış aylık kirayı ortalama 2.24 dolar artırır. pcturban anlamlı değildir (b = 0.08, p = .793).
  • Etki büyüklüğü: R² = .60, σ = 22.86; Wald F(2, 47) = 42.66, p < .001.
  • APA: 2SLS (N = 50); hsngval: b = 0.002, SE = 0.000, t(47) = 6.61, p < .001; birinci aşama F(4, 44) = 13.30; Wu-Hausman F(1, 46) = 15.91, p < .001; Sargan χ²(3) = 11.29, p = .010.

İlgili kavramlar

İki aşamalı en küçük kareler (2SLS) ve LIMLGörünüşte ilişkisiz regresyon (SUR) ve 3SLSAraç (enstrümantal) değişken ve içsellikHausman testiKüme-sağlam (kümelenmiş) standart hatalarKarşıtlık (kontrast) ve özel karşıtlık (L)Sağlam (sandviç) standart hatalar (HC0-HC3)Model tanımlanması (std.lv, birim yük)

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.