🆕 Новое практическое руководство по работе с панельными данными

Хотим с вами поделиться отличными материалами для всех, кто работает с панельными данными. Недавно вышло практическое руководство, написанное Яном Дитценом и Янисом Каравиасом, где авторы объясняют, почему классические модели фиксированных эффектов (TWFE), к которым мы привыкли, не всегда отвечают современным задачам

Руководство посвящено описанию более аккуратного моделирования структурной неоднородности данных и зависимостей между наблюдениями, которые часто упускаются в стандартных подходах

📖 В центре внимания
🟤Interactive Fixed Effects (IFE): расширение классической модели фиксированных эффектов, при котором влияние ненаблюдаемых индивидуальных характеристик является как изменяющимся во времени, так и неоднородным между наблюдениями
🟤Grouped Fixed Effects (GFE): метод, предполагающий, что наблюдения можно разбить на конечное число однородных групп, каждая из которых характеризуется своим уникальным эффектом времени
🟤Non-separable Two-Way Fixed Effects (NSTW): обобщение IFE, допускающее нелинейные и более комплексные формы взаимодействия ненаблюдаемых эффектов через неизвестную гладкую функцию

📖 Авторы показывают, как меняются выводы при использовании новых оценок вместо традиционных на реальных эмпирических примерах
🟤Инфляция и экономический рост: анализ панельных данных 74 стран за 1970−2022 годы выявил, что высокая инфляция оказывает значительное отрицательное влияние на рост ВВП, при этом модели NSTW обеспечивают лучшее моделирование скрытых факторов и более надёжные оценки по сравнению с FE и TWFE
🟤Парадокс Фельдштейна-Хориоки (связь сбережений и инвестиций): исследование 98 стран с 1980 по 2019 год с применением IFE, GFE и NSTW-моделей и показало, что традиционные модели переоценивают корреляцию, тогда как современные подходы дают более точные и оценки степени мобильности капитала

🖥 В руководстве не только обсуждаются современные процедуры оценки моделей, но и диагностические тесты, практические рекомендации и ссылки на библиотеки для реализации в Stata и R

#канал_обозревает
#канал_рекомендует
@causal_channel