Generalisert Metode Øyeblikk
En av de mest kritiske problemer som oppstod i den økonometriske litteraturen er knyttet til estimering av lineære regresjonsmodeller som inneholder heteroskedastic feil av ukjent funksjonell form. I mange av gang-serien og cross-sectional studier (f.eks., Choi, 2001; Maddala & Wu, 1999), er dette spørsmålet har vært mye diskutert., Selv om form av heteroscedasticity er ukjent empirisk, uvitenhet av problemet i beregninger (for eksempel anslått generalisert minste squares1—EGLS) ville føre til ineffektiv estimatorer som fører til feilaktige slutninger (Roy, 2002). Flere forskere som Robinson (1987) og Hidalgo (1992) foreslo at dette problemet kan løses ved hjelp av nonparametric teknikker. Det er fordi slike estimatorer er gyldig selv med misspecified funksjonell form., På den annen side, Rilstones (1991) foreslått at Monte Carlo-studie kan brukes til å gjøre en sammenligning mellom nonparametric EGLS estimatorer og de ulike parametriske estimatorer ved å bruke både riktig og feil former for heteroscedasticity.
Siden tidlig på 1990-tallet, utstedelse av heteroscedasticity i panelet data beregninger har vært mye diskutert i litteraturen. Flere studier har undersøkt forekomsten av heteroscedasticity i panel data-analyse. Disse studiene inkluderer Baltagi og Griffin (1988), Li og Stengos (1994), og Randolph (1988)., Følgelig, Baltagi og Griffin (1988) undersøkte eksistensen av heteroscedasticity gjennom de enkelte spesifikke feil komponent ved hjelp av parametriske teknikk. Imidlertid, Li og Stengos (1994) fokusert på spørsmålet om heteroscedasticity i enhet-tidsvarierende feil komponent ved hjelp av semiparametric metode. Det er inngått med begge studiene at den foreslåtte EGLS estimatorer har samme asymptotiske distribusjon som den sanne GLS estimator., På toppen av det, Li og Stengos (1994) hevdet at etter å gjennomføre en Monte Carlo-studien, endelig eksempel egenskapene deres estimator er funnet å være tilstrekkelig, så vel. Resultatene er i overensstemmelse med funnene i Baltagi og Griffin (1988), som i sin foreslåtte prosedyren krever en stor tid komponent for panelet.
En semiparametric estimering prosedyre med ukjent funksjonell form i den enkelte spesifikke feil så ble foreslått av Roy (2002). Nylig anbefalte prosedyren fungerer ikke trenger en stor tid komponent i motsetning til den estimator foreslått av Baltagi og Griffin (1988).,2 Tre viktigste funnene ble innhentet. For det første, effektivitet er funnet i flere standard estimatorer for eksempel den foreslåtte EGLS estimator (EGLS), den iterativ EGLS estimator (EGLSB),3 standard GLS estimator for en en-veis feil komponenter modell (GLSH), innen eller faste effekter estimator (INNENFOR),4 og OLS-estimator (OLS). For det andre, det er bekreftet fra Monte Carlo studie at den foreslåtte estimator har en tilstrekkelig relative effektivitet. Likevel, det er følsomme for valg av vinduet-bredde., For det tredje, alle av estimatorer er funnet å oppføre seg i lignende mønster når det kommer til størrelse ytelsen, det er, ingen av dem overrejects eller underrejects betydelig.
i Dag, GMM panel data teknikken er brukt i mange EKC studier (f.eks., Huang, Hwang, & Yang, 2008; Joshi & Beck, 2018; Khan, Zaman, & Zhang, 2016; Tamazian & Rao, 2010; Youssef, Hammoudeh, & Omri, 2016). Dette estimatet teknikken ble først foreslått av Hansen (1982)., Så, det ble ytterligere forbedret ved Arellano og Bond (1991), som introduserte forskjellen GMM. En gruppe ligget forklarende variabler som er brukt som instrumenter for tilsvarende variabler i forskjell ligningen i tilfelle av forskjellen GMM. Senere, Blundell og Bond (1998) hevdet at små-prøve, og asymptotiske egenskaper til forskjell funksjonen kan påvirkes negativt ved utstedelse av standhaftigheten i den forklarende variabler. Dermed er forskjellen estimator er kombinert med den opprinnelige funksjonen til å konstruere et system estimator, som er navngitt som system GMM-estimator.,
To vilkår må være oppfylt for å bruke ligget forskjeller på de forklarende variablene som instrumenter i nivå ligningen. Første feilen begrepet er ikke serielt korrelert. For det andre, korrelasjon ikke eksisterer mellom forskjellen i forklarende variabler og feil vilkårene til tross for korrelasjonen mellom nivåer av forklarende variabler og land-spesifikke feil premisser.
Som et resultat, er følgende stationarity egenskaper er produsert:
E = E og E = E for alle p og q.,
Kort, systemet GMM-estimator er innhentet ved hjelp av øyeblikket forhold i ligningene ovenfor. I henhold til Arellano og Bond (1991) og Blundell og Bond (1998), gyldigheten av systemet GMM-estimator kan kontrolleres ved hjelp av to tester. Første, Sargan test kan utføres for å teste gyldigheten av de instrumenter som brukes. For det andre, AR (2) – test kan brukes for å sjekke eksistensen av andre-for autocorrelation.
GMM-estimator har flere fordeler over andre panel data estimatorer., Første, Arellano og Bond (1991) bekrefte det faktum at GMM-estimator kan optimalt utnytte alle lineær øyeblikk restriksjoner som oppfyller forutsetningen om ingen seriell korrelasjon i feil. Disse øyeblikket restriksjoner som består av individuelle effekter, ligget avhengige variabler, og ikke strengt eksogene variablene er viktig i beregningene. I tillegg Hansen (1982) hevdet at GMM-estimator kan gi konsekvens for modeller med ikke-lineær parameter.,
Andre, cross-sectional studier har to potensielle kilder til skjevhet, som er den uobserverte forskjeller som finnes problem, og de endogene forklarende variabler. Ved bruk av både cross-sectional og seriene variasjon, GMM-estimator kan bli sett på som et lovende alternativ. For eksempel, den uobserverte land-spesifikke effekter kan elimineres ved hjelp av GMM. I mellomtiden, det er også mulig å korrigere for endogeneity problemet i første-differenced ligninger ved hjelp av en første-differenced GMM, foreslått av Arellano og Bond (1991).,
Tredje, GMM-estimator kan også overvinne problemet med svake instrument. Blundell og Bond (1998) foreslo at et slikt problem kan føre til en stor endelig-eksempel bias mens du bruker den sammenslåtte tverrsnitt regresjoner i vurderingen av autoregressive modeller i tilfelle av moderat vedvarende serien fra relativt kort paneler. Videre, Blundell og Bond (1998) viste at ved å inkludere mer informative øyeblikk betingelser som er gyldige i henhold til rimelige stationarity restriksjoner på den opprinnelige tilstanden prosessen, bias kunne reduseres betraktelig., Spesielt, på toppen av den vanlige ligget på nivåer som instrumenter for ligninger i første-forskjeller, GMM-estimator benytter ligget første-forskjeller som instrumenter for ligninger i nivåer.
Fjerde, i henhold til en rekke studier som Hsu og Liu (2006) og Mandariage og Poncet (2007, s. 837-862), ved hjelp av OLS-estimator med tilstedeværelse av lagged avhengige variablene i ligningene ville føre til problem av inkonsekvens som hang avhengige variabler kan være endogen., Disse studiene videre foreslår at GMM-estimator kunne eliminere problemer av mangfold og endogeneity. Viktigst av alt, konsistente og forventningsrette anslag kan være produsert etter hvert.