Ökonometria PhD 09 - hiányzó adatok(nem)kezelése (Eviews11)

Zhrnutie prednášky

Prednáška sa venuje práci s chýbajúcimi dátami v EViews a ukazuje, ako ich riešenie ovplyvňuje VAR model. Prehľadne sú porovnané možnosti: vynechanie celého pozorovania (listwise deletion), nahradenie strednou hodnotou, prenesenie poslednej hodnoty (s drobným prírastkom, aby logaritmické diferencie nevyšli nekonečné) a metóda expectation-maximization. Na príklade s údajmi o Euribore sa ukazuje, že už jediná chýbajúca hodnota výrazne deformuje impulzné odozvy a ich štandardné chyby. Nahradenie strednou hodnotou to pri jednom výpadku napraví, no pri viacerých chýbajúcich hodnotách zlyháva a modelu škodí aj nevhodný počet oneskorení. EViews navyše nezverejňuje, ako presne chýbajúce hodnoty dopočítava, preto sa odporúča testovať citlivosť výsledkov.

• - Chýbajúce dáta sa dajú riešiť vynechaním pozorovania, nahradením strednou hodnotou, prenesením poslednej hodnoty alebo metódou expectation-maximization.
• - Listwise deletion je pri paneli za 60 rokov nepoužiteľné, lebo každá krajina mala aspoň jeden výpadok.
• - Pri diferencovaných radoch je stredná hodnota blízko nuly, takže nahradenie ňou vnáša len malé skreslenie.
• - Už jedna chýbajúca hodnota deformuje impulzné odozvy VAR modelu a rozširuje štandardné chyby.
• - Nahradenie strednou hodnotou pri jednom výpadku odozvy aj diagnostiku normality napraví, pri viacerých výpadkoch však zlyháva.
• - EViews nezverejňuje, ako dopĺňa chýbajúce hodnoty, preto je vhodná analýza citlivosti.
• - Počet oneskorení (lagov) treba voliť správne, lebo štyri namiesto šiestich vedú k autokorelácii.

Zhrnutie pripravené s pomocou AI z prepisu videa.