Panel ARDL: простыми словами о том, почему это лучший выбор для ваших панельных данных

Панельная модель ARDL: объяснение для диссертации | Великобритания, США, Канада Почему панельная модель ARDL лучше традиционной коинтеграции, если у вас смешанный набор I(0)/I(1) и большое значение N*T для вашей магистерской диссертации? Вы попали по адресу. ЧТО ВЫ УЗНАЕТЕ: • 5 причин - групповая фокусировка, мощность N*T, гетерогенность, смешанный набор I(0)/I(1), долгосрочный и краткосрочный периоды • ECM: ECT от -1 до 0, например, -0,4 = 40%, PMG MG DFE + Хаусман • Обзор шагов 1-10 - от единичных корней до причинно-следственной связи • Ошибка: нет единичных корней, нет Педрони, нет Хаусмана ДЛЯ КОГО ЭТО: Магистратура, аспирантура по экономике, финансам, развитию, энергетике в Великобритании, США, Канаде, Австралии, ЕС. Здравствуйте, меня зовут доктор Боседе Нгози Аделейе, я старший преподаватель экономики (Линкольнский университет, Великобритания) и основатель CrunchEconometrix. ОФИЦИАЛЬНЫЕ ССЫЛКИ И СООБЩЕСТВО: Веб-сайт: https://cruncheconometrix.com Магазин данных: https://cruncheconometrix.com/view/datashop.php Только для участников: https://www.youtube.com/playlist?list=UUMOK9hD254JKbCZ4Bf8Iz1s7g Присоединиться к членству: https://www.youtube.com/channel/UCK9hD254JKbCZ4Bf8Iz1s7g/join LinkedIn: https://www.linkedin.com/company/cruncheconometrix YouTube: https://www.youtube.com/@CrunchEconometrix GitHub: https://github.com/CrunchEconometrix Teachable (более 600 студентов с 2020 года, закрыто 30.09.2026): https://cruncheconometrix.teachable.com Подписаться: https://www.youtube.com/c/CrunchEconometrix?sub_confirmation=1 ЧТО ВЫ УЗНАЕТЕ: ✓ Почему панельный анализ ARDL важен - Причины проведения анализа панельных данных - Например: (1) основной интерес представляет группа, а не отдельные единицы в группе - это означает, что при использовании панельной перспективы теряется очень мало информации - например, интерес к странам Африки к югу от Сахары как к группе, а не к отдельной стране - панельной перспективы достаточно; (2) использование панельных данных вместо временных рядов - увеличивает размер выборки - N*T больше - больше наблюдений - больше мощности - например, 50 стран * 20 лет = 1000 наблюдений против 20 наблюдений для временного ряда одной страны - больше степеней свободы; (3) панель контролирует гетерогенность - ненаблюдаемые отдельные эффекты - например, фиксированные эффекты страны - культура, география, (4) Панельная ARDL допускает смешение I(0)/I(1) - в отличие от традиционной панельной коинтеграции, которая требует I(1) - Панельная ARDL более гибкая - подходит для магистерских программ со смешанными стационарными и нестационарными данными, (5) Панельная ARDL оценивает как долгосрочные, так и краткосрочные данные - модель коррекции ошибок - ECT - скорость корректировки - долгосрочная причинно-следственная связь ✓ Как работает панельная ARDL - Панельная ARDL перепараметризована как модель коррекции ошибок - ECM: ΔY_it = phi_i (Y_{i,t-1} - theta' X_{i,t}) + сумма запаздывающих ΔY + сумма запаздывающих ΔX + ошибка - phi_i = коэффициент ECT - скорость корректировки - должен быть отрицательным и значимым и находиться в диапазоне от -1 до 0 - например, -0,4 означает 40% неравновесия, скорректированного в каждом периоде, theta = долгосрочные коэффициенты - Долгосрочная взаимосвязь, краткосрочные коэффициенты на дифференцированных членах - краткосрочная динамика - Этапы панельного ARDL - Шаги 1-4: Указание перепараметризованной модели ARDL ECM, описание данных, корреляция, панельные единичные корни IPS, LLC и т. д. Смешанный I(0)/I(1) не I(2), Шаги 5-7: Выбор лага на единицу на переменную с помощью информационных критериев, наиболее распространенный лаг на переменную, коинтеграция Педрони или Вестерлунда, Шаг 8: Тест Хаусмана PMG против MG против DFE - выбор оценщика, Шаги 9-10: Причинно-следственная связь - Грейнджер, Вальд, слабая экзогенность - и политические последствия - необязательно ✓ Распространенные ошибки, которые допускают студенты магистратуры: Не проверка панельных единичных корней перед панельным ARDL - необходимы IPS, LLC и т. д. - допускается смешанный I(0)/I(1) не I(2) - если I(2) нельзя использовать панельный ARDL - необходимо проверить, Не выбор лага на единицу на переменную - необходимо выбрать наиболее распространенный лаг с помощью информационных критериев Критерии - AIC, SC - для каждой группы и каждой переменной. Не проводится проверка коинтеграции Педрони перед оценкой - необходима коинтеграция через Педрони или Вестерлунд - если коинтеграции нет, долгосрочная оценка недействительна. Не проводится тест Хаусмана PMG против MG против DFE - необходим тест Хаусмана для выбора оценщика. ДЛЯ КОГО ЭТО: Студенты магистратуры, MBA, PhD по экономике, финансам, банковскому делу, экономике развития, энергетической экономике в Великобритании (Уорик, Манчестер, Лидс, Бирмингем, Глазго, Эдинбург, LSE), США, Канаде, Австралии, ЕС, использующие панельный ARDL - панельные данные и ARDL - смесь I(0)/I...