1 / 14

DANE PANELOWE

DANE PANELOWE. Modelowanie handlu zagranicznego. Co będziemy robić. Panele – wprowadzenie, obróbka danych Kwestia mierzenia odległości Co było najpierw: handel czy PKB? Co jeszcze ma wpływ na handel? Waluta?. Czym się rożni wróbelek?. Jaki jest sens badań panelowych

kenna
Download Presentation

DANE PANELOWE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. DANE PANELOWE Modelowanie handlu zagranicznego

  2. Co będziemy robić • Panele – wprowadzenie, obróbka danych • Kwestia mierzenia odległości • Co było najpierw: handel czy PKB? • Co jeszcze ma wpływ na handel? • Waluta?

  3. Czym się rożni wróbelek? • Jaki jest sens badań panelowych • pooled data w ekonometrii • panele w ekonometrii • wzdłuż czy w poprzek • efekty stałe czy zmienne?

  4. Model grawitacyjny • W pewnym momencie w czasie badacze: • cała ta teoria jest bardzo fajna, ale nie bierze pod uwagę, że są koszty transportu, oraz że duży kraj to duży rynek => przyciąganie i odpychanie • Isard (1954), logarytmicznie Tinbergen (1962) [co by było gdyby nie było żadnych ograniczeń w handlu, coś jak „missing trade”], Linneman (1966) [model grawitacyjny to w rzeczywistości IS-LM-BP], • Anderson (1979) [pierwszy model teoretyczny – na podstawie wydatków] • Helpman-Krugman (1985) [w handlu wewnątrzgałęziowym] • Bergstrand (1985) [model równowagi ogólnej handlu światowego przy podziale jeden kraj - jeden czynnik] • Bergstrand (1989) [model H-O z hipotezą Lindera]

  5. Wprowadzanie danych • Strona internetowa: http://www.wne.uw.edu.pl/~jtyrowicz -> MHM • Ściągnąć plik: zajecia_1.xls • Zapisać w jakimś konkretnym miejscu • Otworzyć STATę • Otworzyć Exploratora Windows • Skopiować z górnego okienka ścieżkę do miejsca, w którym zapisaliście plik • Wpisać w STATA: cd „cała ta ścieżka tak, jak wam się przekopiowała”

  6. Wczytywanie danych do STATy • Najprościej: • Otworzyć STATę • Wpisać w okienku edit • Pojawi się duża „tabelka” – do niej można po prostu wkleić skopiowane z Excela (czy skąd inąd) dane • Nacisnąć Preserve (w lewym górnym rogu) • Zapisać plik w STATa (pod dowolnie wybraną nazwą): save alamakota, replace • Nieco bardziej skomplikowana, ale też bardziej niezawodna metoda: • Zapisać plik w Excel (albo innym programie) jako ASCII lub XML • Skorzystać z aplikacji importującej w STATA (xmluse) • Zawsze pojawi się kilka problemów, ale też dane będą poprawnie opisane 

  7. Obejrzyjmy te dane • Obejrzenie cyferek zawsze możliwe po wpisaniu słowa edit • Ale możemy chcieć obejrzeć je jakoś bardziej syntetycznie, np.: • podstawowe informacje o zmiennych: des • podstawowe własności zmiennych: sum • Model powinien mieć logarytmy (tak wiemy z teorii) • można oczywiście opracować cały plik w Excel… • … ale Excel nie zrobi kilku przydatnych rzeczy (np. opóźnień) • STATA umie wygenerować wszystko, o co ją poprosimy  gen ln(trade)=ln(zmienna_opisujaca_handel) label variable ln(trade) `”Log of trade”’ save, replace …

  8. Najprostszy model • Zmienne: • Objaśniana: wymiana handlowa • Objaśniające : PKB, populacje, odległość reg trade gdp pop dist Source SS df MS Number of obs= 1074 F( 3, 1070)= 543.02 Model 196764.006 3 65588.002 Prob > F = 0.0000 Residual 129238.277 1070 120.783436 R-squared = 0.6036 Adj R-squared= 0.6025 Total 326002.283 1073 303.82319 Root MSE = 10.99 trade Coef. Std. Err. t P>t [95% Conf. Interval] gdp .0141613 .0011921 11.88 0.000 .0118221 .0165004 pop .0528096 .0228549 2.31 0.021 .0079642 .097655 dist -.0073704 .0005152 -14.31 0.000 -.0083813 -.0063594 _cons 5.762674 1.067794 5.40 0.000 3.667467 7.857882

  9. Model panelowy • Te same dane i ten sam problem • Tylko bierzemy pod uwagę, że coś jest „grupą w czasie” a całość składa się z grup • STATA uczy się czegoś takiego na różne sposoby • Wykorzystując komendy: iis nazwa_zmiennej_grupujacej tis nazwa_zmiennej_okreslajacej_czas 2. xtset nazwa_zmiennej_grupujacej nazwa_zmiennej_okreslajacej_czas 3. tsset nazwa_zmiennej_grupujacej nazwa_zmiennej_okreslajacej_czas (ta ostatnia metoda jest najczęściej wykorzystywana przy szeregach czasowych, ale zawsze działa także dla paneli) • Czy dane powiedzą nam o sobie coś więcej? xtsum

  10. Regresja panelowa • Generalnie STATA ma bardzo rozbudowane menu kontekstowe (Statistics oraz Graphics), więc nie trzeba wszystkiego pamiętać • Pamiętanie pomaga, kiedy się wie, czego się szuka (help oraz findit) • Poszukajmy możliwości zrobienia regresji panelowej: Statistics => Longtitudal/panel data • Jest tam bardzo dużo opcji: xtset, sum, des, tab (spróbujcie ) • Także: linear models • Najprostszy kod xtreg trade pop gdp dist

  11. Wyniki panelowe Source SS df MS Number of obs = 1074 F( 3, 1070) = 543.02 Model 196764.006 3 65588.002 Prob > F = 0.0000 Residual 129238.277 1070 120.783436 R-squared = 0.6036 Adj R-squared = 0.6025 Total 326002.283 1073 303.82319 Root MSE = 10.99 trade Coef. Std. Err. t P>t [95% Conf. Interval] gdp .0141613 .0011921 11.88 0.000 .0118221 .0165004 pop .0528096 .0228549 2.31 0.021 .0079642 .097655 dist -.007370 .0005152 -14.31 0.000 -.0083813 -.0063594 _cons 5.762674 1.067794 5.40 0.000 3.667467 7.857882

  12. Skąd wiadomo, czy to sensowne wyniki i co dostaliśmy? • Zawsze można zrobić cudo: help xtreg • Poza tym, trochę wiadomo z literatury, a trochę z doświadczenia • Warto sprawdzić, jaki dokładnie model wyestymowaliśmy (fixed czy random effects?) • Jaki chcielibyśmy wyestymować? • Jak sprawdzić, czy poszło nam dobrze?

  13. xttest0 Breusch and Pagan Lagrangian multiplier test for randomeffects trade[ID,t] = Xb + u[ID] + e[ID,t] Estimated results: Var sd = sqrt(Var) ---------+----------------------------- trade 303.8232 17.43052 e 11.50993 3.392628 u 111.018 10.53651 Test: Var(u) = 0 chi2(1) = 4793.89 Prob > chi2 = 0.0000

  14. Wnioski • Umiemy zadeklarować panel • Umiemy przeprowadzić najprostsze analizy • Wiemy, jak sprawdzić, czy miały sens • Umiemy poprawić, jeśli nie miały sensu • Umiemy nauczyć się więcej 

More Related