Haruskah kita mengantisipasi hasil regresi？

2

Haruskah kita mengantisipasi hasil regresi? Mengatakan tanda koefisien.

  1. Jika tidak, mengapa?
  2. Jika demikian, apa yang harus kita lakukan ketika gagal mencapai hasil yang diharapkan?
econometrics XJ.C
sumber
1
youtube.com/watch?v=OL6-x0modwY
snoram
1
Sering kali data memberi tahu Anda sesuatu yang tidak Anda harapkan, dan itu informatif dengan sendirinya. Ini bisa menjadi hal yang buruk jika kesalahan pengukuran, dll, atau hal yang baik jika Anda memiliki wawasan teoritis mengapa hasil yang tidak terduga mungkin relevan.
luchonacho

Jawaban:

2

Mengatakan apa yang diprediksi teori adalah ide yang baik saat kita dapat membuat hipotesis teori yang dapat diuji. Sebagian besar ekonomi empiris adalah untuk menguji validitas teori.

Jika hasil Anda bertentangan dengan teori, maka Anda dapat mencoba untuk memperbaiki konflik atau mengusulkan alternatif yang lebih baik.

VCG
sumber
1

Jika Anda memiliki keyakinan sebelumnya, ada cara yang sudah mapan untuk memasukkannya ke dalam analisis Anda.

Cara tradisional adalah menafsirkan kembali analisis Anda, atau mencari data tambahan untuk mendukung keyakinan Anda sebelumnya. Ini adalah ilmu yang sangat buruk, tetapi sayangnya itu sangat umum. Jadi, Anda akan selalu memiliki alasan ada banyak preseden dalam literatur. Ada kondisi khusus yang diperlukan untuk regresi linier agar valid, tetapi kebanyakan orang yang menggunakannya, tidak akan pernah repot menguji apakah mereka berlaku sebelum masuk. Jangan menjadi "kebanyakan orang".

Cara ketat, cara ilmiah, untuk melakukannya adalah dengan memasukkan kepercayaan Anda sebelumnya ke dalam analisis Anda sejak awal; jadi gunakan sesuatu seperti regresi Bayesian .

Seperti yang dikatakan Andrew Gelman :

ketika data lemah dan ada informasi sebelumnya yang kuat yang tidak digunakan, metode klasik dapat memberikan jawaban yang tidak hanya salah - itu bukan perusak kesepakatan, itu diterima dalam statistik bahwa metode apa pun kadang-kadang akan memberikan jawaban yang salah - tetapi jelas salah, jelas salah . Salah tidak hanya tergantung pada parameter yang tidak diketahui, tetapi juga tergantung pada data. Kesimpulan yang secara ilmiah tidak sesuai.

EnergyNumber
sumber