Istnieje kilka potencjalnych sposobów utrzymania manekina płciowego w regresji stałych efektów.
W estymatorze
Załóżmy, że masz podobny model w porównaniu z połączonym modelem OLS, który wynosi
w którym zmienne są takie, jak wcześniej. Zauważmy teraz, że β 1 i β 1 + γ 1 ( m a l e i ) nie mogą być zidentyfikowane, ponieważ estymator wewnętrzny nie może odróżnić ich od efektu stałego c i . Biorąc pod uwagę, że β 1 jest punktem przecięcia dla roku bazowego t = 1 , γ 1 to wpływ płci na zarobki w tym okresie. Co możemy zidentyfikować w tym przypadku są γ 2 , . , γ 10
yi t= β1+ ∑t=210βtdt+γ1(malei)+∑t=110γt(dt⋅malei)+X′itθ+ci+ϵit
β1β1+γ1(malei)ciβ1t=1γ1γ2,...,γ10 ponieważ wchodzą w interakcje z manekinami czasu i mierzą różnice w częściowych skutkach zmiennej płci w stosunku do pierwszego okresu. To znaczy, że obserwujemy wzrost swojej
w miarę upływu czasu jest to wskazanie do zwiększenia luki zarobkowej między mężczyznami i kobietami.
γ2,...,γ10
Estymator pierwszej różnicy
Jeśli chcesz poznać ogólny efekt różnicy między mężczyznami i kobietami w czasie, możesz wypróbować następujący model:
gdzie zmienna t = 1 , 2 ,
yit=β1+∑t=210βtdt+γ(t⋅malei)+X′itθ+ci+ϵit
wchodzi w interakcję z niezmiennym w czasie manekinem płci. Teraz, jeśli weźmiesz pierwsze różnice
β 1 i
c i wypadną i otrzymasz
y i t - y i ( t - 1 ) = 10 ∑ t = 3 β t ( d t - d ( t - 1 ) ) + γ ( t ⋅ m a l e i -t=1,2,...,10β1ci
Następnie
γ ( t ⋅ m a l e i - [ ( t - 1 ) myit−yi(t−1)=∑t=310βt(dt−d(t−1))+γ(t⋅malei−[(t−1)malei])+(X′it−X′i(t−1))θ+ϵit−ϵi(t−1)
i można zidentyfikować różnicę płci w zarobkach
γ . Zatem końcowe równanie regresji będzie następujące:
Δ y i t = 10 ∑ t = 3 β t Δ d t + γ (γ(t⋅malei−[(t−1)malei])=γ[(t−(t−1))⋅malei]=γ(malei)γ
a otrzymasz efekt zainteresowania. Zaletą jest to, że łatwo to zaimplementować w dowolnym oprogramowaniu statystycznym, ale tracisz pewien okres czasu.
Δyit=∑t=310βtΔdt+γ(malei)+ΔX′itθ+Δϵit
ci1ci2
y~it=X~′1it+X~′2it+γ(male˜i2)+c~i+ϵ~it
X~1it=X1it−θ^iX¯¯¯¯1i where
θ^i is used for the random effects transformation and
X¯¯¯¯1i is the time-average over each individual. This isn't like the usual random effects estimator that you wanted to avoid because group
2 variables are instrumented for in order to remove the correlation with
ci. For
X~2it the instrument is
X2it−X¯¯¯¯2i. The same is done for the time-invariant variables, so if you specify the gender variable to be potentially correlated with the fixed effect it gets instrumented with
X¯¯¯¯1i, so you must have more time-varying than time-invariant variables.
All of this might sound a little complicated but there are canned packages for this estimator. For instance, in Stata the corresponding command is xthtaylor
. For further information on this method you could read Cameron and Trivedi (2009) "Microeconometrics Using Stata". Otherwise you can just stick with the two previous methods which are a bit easier.
Inference
For your hypothesis tests there is not much that needs to be considered other than what you would need to do anyway in a fixed effects regression. You need to take care for the autocorrelation in the errors, for example by clustering on the individual ID variable. This allows for an arbitrary correlation structure among clusters (individuals) which deals with autocorrelation. For a reference see again Cameron and Trivedi (2009).