Also, ich habe Panel-Daten, die wie folgt aussehen: Die Daten, die fehlen, ist, weil wir nicht in der Lage, vollständige Daten in den Jahresberichten der Banken im Datensatz aufgelistet finden. Es gibt kein reales Muster für fehlende Werte, abgesehen von einigen Perioden, wie die in dem Bild veranschaulichten, sind die fehlenden Werte meistens zufällig. Beispiel: ein fehlender Wert im Jahr 2000, ein anderer fehlender Wert im Jahr 2002 und so weiter. Die Banken sind insgesamt fünf, und wir zählen vierteljährliche Daten für den Zeitraum 1998Q1 bis 2013Q1. Wir haben eine vollständige Serie für eine der Variablen, beta. Die anderen vier sind alle fehlen einige Werte. Ich habe gesucht, aber havent in der Lage, eine Antwort auf die folgenden Fragen zu bekommen: 1) Ist es wichtig, dass mein Datensatz fehlende Werte in einigen der Variablen hat 2) Was ist die richtige Methode für das Ausfüllen der fehlenden Werte verwenden Wenn seine Möglich, können Sie es mit Stata Nick veranschaulichen Diese Frage ist ausdrücklich zu fehlenden Daten und daher ist quasi Thema auf dieser Website. Herman: Wir ermutigen die Leute jedoch, Fragen softwareneutraler zu stellen: Statt quothow zu fragen, mache ich X in Stata, wenn ich fragen darf, was ich tun soll Stata. quot Das öffnet Ihre Frage zu weit mehr Experten (die meisten von ihnen nicht verwenden, Stata), stark erhöht die Chance, die Sie erhalten eine gute Antwort. Ich habe die Option interpolieren und extrapolieren verwendet, und es scheint eine gute Arbeit in dem Sinne, dass die Werte erzeugt ziemlich gut die Daten, und es erzeugt eine Reihe von ausgewogenen Schätzungen von getan haben Die fehlenden Werte. Ich denke, ich werde daran halten, und sehen, ob ich einige weitere beraten mit einem meiner Professoren finden können. Vielen Dank für Ihre Antwort Nick ndash Herman Haugland I39m nicht ein stata Experte, leider, aber ich weiß, dass R hat eine robuste Reihe von Paketen Unterstützung Imputation für Zeitreihen-Querschnitt-Daten. Amelia II kommt vor allem in den Sinn, da es für diesen expliziten Zweck gebaut wurde. Ndash Sycorax Nov 14 14 um 19: 40Interpolation Splines können auch für die Interpolation verwendet werden. Hier reproduzieren wir die Ergebnisse in dem Artikel von Mc Neil, Trussell und Turner in den Lesungen aufgelistet. Ihr Ziel ist es, einjährige Fruchtbarkeitsraten durch Interpolation in einem Fünfjahresplan zu produzieren. Dieses Protokoll ist ziemlich technisch und Sie können es überspringen, es sei denn, Sie haben ein Interpolationsproblem zur Hand. Der Kern ist, dass Polynome kann problematisch sein, während Splines besser benommen werden. Die Daten repräsentieren die kumulative Fruchtbarkeit im Alter von 15 (5) 50, die wir einfach eingeben werden. Polynominterpolation Mit 8 Datenpunkten können wir eine exakte Passung mit einem 7-ten Grad-Polynom erhalten. Lassen Sie uns Abbildung 1 in dem Artikel reproduzieren, was zeigt, dass Polynome in diesem Fall nicht sehr gut funktionieren. Wir brauchen Alter2 bis Alter7. R kann für uns orthogonale Polynome aufbauen. Weil die Passung exakt ist, ist die restliche Summe der Quadrate 0 und die Standardfehler sind undefiniert, so dass wir die Ergebnisse nicht ausdrucken werden. Um die Interpolation vorhersagen, prognostizieren wir auf einem neuen Datensatz, der das genaue Alter von 14 bis 51 repräsentiert (oder versuchen Sie ein etwas breiteres Spektrum zu sehen, wie viel schlimmer es bekommt :) Nun, da wir kumulative Fruchtbarkeit in jedem Alter zwischen 14 und 51 haben wir unterscheiden können Altersspezifische Geburtenraten in den Mittelpunkten eines jeden Jahres zentriert Offensichtlich ist das Polynom nicht gut an den Extremen benommen. Diese Art von Ergebnis ist nicht ungewöhnlich mit Polynomen. Eingeschränkte Splines McNeil et al. Verwenden Sie einen Spline von Grad fünf mit internen Knoten im Alter von 20 (5) 45 und beschränkt auf null ersten und zweiten Ableitungen im Alter von 15 und 50, um ein gutes Verhalten in den Schwänzen zu gewährleisten. Das Polynom 5. Grades hat 6 Parameter, die Knoten addieren 6 und die Restriktionen subtrahieren 4, für insgesamt 8 genau das gleiche wie das Polynom. Der Artikel zeigt, wie man ein System von linearen Gleichungen aufstellen, um die Koeffizienten zu berechnen, was auch über Regression erfolgen kann. Um unsere Resultate gegen das Papier zu überprüfen, werden wir das Alter neu einstellen, so dass wir mit 0 (1) 7 anstelle von 15 (5) 50 arbeiten. Dieses Mal haben die Daten 12 Zeilen, 8 für kumulative Fruchtbarkeit und vier für die Zwänge. Als nächstes erstellen wir die Begriffe mit den Kräften und Knoten Sie sollten wahrscheinlich Liste der Daten einen Blick auf die Struktur haben. Um die Koeffizienten zu erhalten, führen wir eine Regression durch. Die Passform ist perfekt, so dass wir detaillierte Ergebnisse zu unterdrücken. Wir verwenden solve (). Könnte aber auch lm () verwenden. Die Koeffizienten sind genau die gleichen wie im Papier (siehe Seite 252), wobei die ersten drei auf null gerundet sind. Als nächstes benötigen wir einen Vorhersage-Datensatz in einzelnen Jahren, mit der Macht und Knoten Begriffe, aber nicht die Derivate. Was wir dann Unterschied und Handlung Offensichtlich ist die Sperre Spline viel besser verhält sich an den Extremen kopieren 2017 Germaacuten Rodriacuteguez, Princeton University
No comments:
Post a Comment