🔆 ۷ سال کار با داده‌های اقتصادی یک چیز را به من یاد داده:

سخت‌ترین بخش اقتصادسنجی معمولاً انتخاب مدل نیست؛ آماده‌سازی داده است.

وقتی دانشجویان شروع به یادگیری اقتصادسنجی می‌کنند، معمولاً جذاب‌ترین بخش برایشان مدل‌ها هستند:

آیا از ARDL استفاده کنم؟
آیا مدل پنل بهتر است؟
آیا باید سراغ GMM یا روش‌های پیشرفته‌تر بروم؟

اما در پروژه‌های واقعی، قبل از رسیدن به این مرحله، چالش‌های مهم‌تری وجود دارد.

مثلاً:

▫️ داده مورد نیاز اصلاً وجود دارد؟

▫️ تعریف متغیرها در طول زمان تغییر نکرده؟

▫️ واحد اندازه‌گیری متغیرها یکسان است؟

▫️ داده‌های سالانه، فصلی یا ماهانه چگونه با هم هماهنگ می‌شوند؟

▫️ با داده‌های گمشده چه کنیم؟

▫️ آیا داده پرت داریم یا این مقادیر واقعاً اتفاق افتاده‌اند؟

▫️ آیا متغیری که در مدل وارد می‌کنیم واقعاً نماینده مفهوم اقتصادی موردنظر ماست؟

بارها پیش آمده که ساعت‌ها برای انتخاب مدل وقت گذاشته‌ام، اما در نهایت متوجه شده‌ام مسئله اصلی نه روش تخمین، بلکه خود داده بوده است. (نکته های ظریفی در این قسمت وجود دارد)

برای مثال، در یک تحلیل سری زمانی، قبل از اجرای مدل باید مطمئن شویم همه متغیرها در فرکانس مناسب قرار دارند. گاهی تبدیل داده‌های فصلی به ماهانه یا هماهنگ کردن منابع مختلف داده، خودش یک بخش مهم از پژوهش است. یا هماهنگ کردم بخش های مختلف یک متغیر به به قیمت ثابت در هر 5 یا 10 سال تنظیم شده نیاز به هماهنگی در طول سری زمانی دارد.

به نظرم تفاوت بین اجرای یک مدل اقتصادسنجی و انجام یک تحلیل اقتصادسنجی همین‌جاست.

مدل‌ها را می‌توان یاد گرفت؛
اما توانایی کار کردن با داده واقعی، چیزی است که با تجربه ساخته می‌شود.

🌐 https://t.me/ecohadico