Föreläsning 9 - Fixed FX Flashcards
Vilka är de viktigaste anledningarna att använda panel-data?
- kontrollera för OVB med fixed effekt
- Vi får fler observationer och där med fler observationer.
- Vi kan studera dynamiken. Adjustment overt time, partial adjustments.
Show how Ashenfeltar and Krueger used twins to account for OVB in their Panel studie from 1994.
Författarna studerar returns to education genom att studera tvillingar som har gått olika många år i skolan och skapar där igenom FE i deras panel data. För att justera för mätfel använder de också tvinningens estimat av det egna syskonets skolgång som instrument.
Alltså, problemet när man estimerar returns to education är det som kallas ability bias. Detta kontrolleras för när man använder tvillingar och gör på detta sätt eftersom detta är lika hos dem och därför diffrentieras bort. Vi differentierar alltså bort faktorn som vi inte kan observera.
Det är dock konstigt att de är lika på allt som man inte kan observera, men skiljer sig på det som man kan observera. Det är en kritik på detta. Föräldrar kan också potentiellt behandla tvillingar olika.
Visa formellt hur man använder fixed effects för att lösa OVB.
SE KONCEPT 9. EXEMPLET MED TVILLING PAR.
How did Ahlson, Palme et al (???) use FE when studing the gestation lenght?
De studerar relationen mellan födelseålder och resultat i skolan. Det man har sett är att detta verkar spela roll för resultat senare för resultat för barnet i skolan.
Problemet är bara att det kanske finns OV’s som påverkar både när barnet föds OCH hur bra det går i skolan. Författarna studerar därför syskon som har fött barn i olika vekor av graviditeten. De diffrentierar då bort den oobserverbara faktorn.
De använder alltså sibbling-fixed effects.
SE KONCEPT FÖR HUR DET FORMELLT SER UT.
How did Geronimus and Korenman studie the effect of childbearing on future economic outcoms?
Personer som får barn tidigt kommer göra sämre längre fram i livet. Är det en kausal effekt, eller hardet med andra karaktäristik att göra. Man studerar här skillnaden mellan systrar. Där den ena systen får barn i tidig ålder.
De använder SIBBLING FE.
Vilken typ av effekter använde Meghir & Palme (2005) när de studerade effekten av en utbildningsreform?
Stagged implementation och Municipality fixed effects.
Man inkluderade denna i olika takt och tur i olika kommuner.
De inkluderade också municipality fixed fx för att kontrollera för oobserverbara saker mellan kommunerna.
Visa hur ett mätfel i den oberoende variablen påverkar mätningen i crossectional data.
Härled detta och beskriv vad som händer!
Attinuation bias. Se KONCEPT 9!
What is the take home message regarding attenuation bias?
Detta betyder alltså att formodligen ALLA estimat vi gör är biased mot noll! MEn vi får åtminstånde tecknet rätt :). Det är också bra det är konservativt, vi överestimerar inte.
+konservativt estimat
+ vi får samma tecken på effekten som vi skulle ha ändå (då det är biased mot noll inte år fel håll).
Detta bias är i princip alltid närvarande. Typos i micodata, fel i surveys osv.
Vad i själva datan vi har kan minska vårt attinuation bias?
Genom att vi har stor variation i den oberoende variabeln. Det skalar ju ned biaset!.
Show how messurment errors in the dependent variable effects the estimate.
Visa formelt och säg kontentan.
SE KONCEPT 9!
Vi tappar efficiency men inte konsistency!
How do we treat messurment errors?
Två sätt.
IV -> har vi ett instument så får vi koncistenta estimat.
Korrigera estimaten med reliability estimats. Många data producenter gör estimat av reliability estimates (noise to signal). Givet att vi har dessa kan vi korrigera våra mätfel. Få verkar dock använda dessa.
How did Ashenfelter and Krueger (1994) use IV to correct for messurment errors when studiong returns to education? Remember, they studied twins.
När de hämtade datan frågade de tvillingen om anrtal år i skolan. De frågade också deras bror eller syster om den andra tvillingens år i skolan. Detta användes som ett instrument för mätfel. Det är ett sämre mått, men det är fortfarande korrelerat.
Förklara intuitivt vad som händer när man har mätfel i paneldata.
Man tänker sig datan som två separata stokastiska processer, en AR(1) process både i den oberoende variablen och i mätfelet. Det finns alltså en korrelation mellan den tidigare och nuvarande observationen i den oberoende variablen och det samma för mätfelet.
Vi får ett attenuation bias men där signal to noise ratiot består av två ytterligare komponenter (1-r) och (1-r), vilka är persistensen i mätfelet och den oberoende variabeln.
Har vi ett väldigt persistant mätfel (dvs att man rapporterar fel över fler tidsperioder), då är korrelationen nära ett noise-komponenten försvinner så vi får konsistenta estimat.
Dvs, persistenta mätfel minskar vårt bias.
Men om vi har hög percistence i den oberoende variablen kommer variationen bli mindre vilket ökar mätfelet. Vi har alltså två effekter som motverakr varandra. Här tillskillnad från cross-section har vi alltså två olika effekter.
How did Duncan & Holmlund deal with OVB when studiong compensating wage differentials?
Om man bara har data på arbetsmiljon och lön kommer man få nedåt biased estimat eftersom bra jobb med hög lön också tenderar att ha bra arbetsmiljö. Lite sama som vid returns to education. Man måste kontrollera för unobservibles.
Författarna använde därför paneldata och fixed effects. De studerade två tillfällen, 1968 och 1974. De studerade då skillnaden i ln(wage) mellan åren för att få bort biaset. De använde alltså first difference.
Jag fattar inte riktigt??? Det är väl Time fixed effects?
De argumenterade också att det fanns mätfel då et var väldigt subjektivt där folk över eller underskattar sin arbetsmiljö. Men de argumenterar för att man är persistent i sitt fel. De menar att deras FE modell är ett sätt att hantera detta.
