03.b Econometrics - Missing data

Zhrnutie prednášky

Prednáška sa venuje práci s chýbajúcimi dátami v ekonometrii, ktoré znamenajú stratu informácie a pri nevhodnom doplnení spôsobujú skreslenie výsledkov. Rozlišuje sa, či údaje chýbajú náhodne, alebo systematicky (napr. kvôli sviatkom pri denných dátach). Na príklade kľúčových úrokových sadzieb viacerých krajín sa porovnávajú metódy: listwise deletion, prenesenie poslednej pozorovanej hodnoty, dosadenie priemeru (pri diferencovaných radoch nulou) a metóda expectation maximization, ktorú používajú SPSS, EViews a Stata, no môže skresliť p-hodnoty. Ako alternatívu odporúča pridať dummy premennú označujúcu chýbanie dát alebo skrátiť vzorku. Na záver ukazuje praktický príklad Taylorovho pravidla pre Švédsko a imputačnú funkciu EM pre Matlab.

• - Chýbajúce dáta znamenajú stratu informácie a automatické doplnenie softvérom môže skresliť výsledky.
• - Chýbanie môže byť úplne náhodné alebo systematické, napríklad kvôli sviatkom pri denných dátach.
• - Listwise deletion je pri ročných a panelových dátach často nepoužiteľné, lebo by zmazalo celú databázu.
• - Prenesenie poslednej hodnoty (LOCF) je vhodné pre stabilné rady ako kľúčové sadzby, no po diferencovaní vytvára veľa núl.
• - Pri časových radoch je lepšie najprv diferencovať a chýbajúce hodnoty nahradiť nulou než dosadzovať priemer.
• - Metóda expectation maximization (SPSS, EViews, Stata) vytvára umelé vzťahy medzi premennými, čo skresľuje p-hodnoty a sťažuje signifikanciu.
• - Pri podozrivých výsledkoch sa odporúča pridať dummy premennú pre chýbajúce hodnoty alebo skrátiť vzorku; Matlab si vyžaduje externú EM imputačnú funkciu.

Zhrnutie pripravené s pomocou AI z prepisu videa.