Selection of Explanatory Variables for Linear Regression Models Estimated on Regional Panel Data

Mieczysław Kowerski

doi:10.56583/br.2141

Data publikacji : 2023-06-30

Tom 19 Nr 1 (2023)

Dobór zmiennych objaśniających do liniowych modeli regresji szacowanych na regionalnych danych panelowych

Mieczysław Kowerski

https://orcid.org/0000-0002-2147-2037

DOI: https://doi.org/10.56583/br.2141

Abstrakt

Jednym z najważniejszych problemów podczas konstrukcji jednorównaniowego liniowego modelu regresji jest dobór zmiennych objaśniających. O ile wypracowano wiele metod doboru zmiennych do modeli szacowanych na podstawie szeregów czasowych lub danych przekrojowych, o tyle brakuje metod doboru zmiennych do modeli panelowych. Brak odpowiedniej metody doboru zmiennych do liniowych modeli panelowych może prowadzić do otrzymania błędnych wartości parametrów przy niektórych zmiennych, co utrudnia, a niekiedy wręcz uniemożliwia, prawidłową interpretację. Metody doboru zmiennych do modeli panelowych nie mogą się opierać na współczynniku korelacji liniowej Pearsona. Dlatego zaproponowano trzyetapową procedurę zmiennych do liniowych modeli panelowych zapewniającą właściwe znaki parametrów przy wszystkich wybranych zmiennych. Procedurę zilustrowano przykładem doboru zmiennych do panelowych modeli ze stałymi i losowymi efektami średniorocznej stopy bezrobocia według BAEL (w %) w polskich województwach w latach 2010–2021 (zbilansowany panel składający się ze 192 obserwacji).

Słowa kluczowe:

dobór zmiennych

Inne teksty tego samego autora

Mieczysław Kowerski, Żyjemy coraz dłużej , Barometr Regionalny. Analizy i Prognozy : Nr 3 (2003)
Mieczysław Kowerski, Opis zadań projektu „System przeciwdziałania powstawaniu bezrobocia na terenach słabo zurbanizowanych” , Barometr Regionalny. Analizy i Prognozy : Nr 5 (2006)
Mieczysław Kowerski, Mariusz Poninkiewicz, IV Lubelski Konkurs Statystyczno-Demograficzny „Sigma Kwadrat” , Barometr Regionalny. Analizy i Prognozy : Tom 11 Nr 2 (2013)
Mieczysław Kowerski, Koncepcja badań sektora małych i średnich przedsiębiorstw w projekcie „System przeciwdziałania powstawaniu bezrobocia na terenach słabo zurbanizowanych” , Barometr Regionalny. Analizy i Prognozy : Nr 6 (2006)
Mieczysław Kowerski, Jarosław Bielak, Dawid Długosz, Mariusz Poninkiewicz, Zmiany nastrojów gospodarczych w województwie lubelskim w IV kwartale 2011 r. , Barometr Regionalny. Analizy i Prognozy : Nr 1 (27) (2012)
Mieczysław Kowerski, Jarosław Bielak, Dawid Długosz, Mariusz Poninkiewicz, Ocena spójności gospodarczej województwa lubelskiego , Barometr Regionalny. Analizy i Prognozy : Tom 12 Nr 3 (2014)
Mieczysław Kowerski, Ocena rozwoju poziomu gospodarczego powiatów województwa lubelskiego , Barometr Regionalny. Analizy i Prognozy : Nr 2 (2002)
Mieczysław Kowerski, Potencjał gospodarczy województw podkarpackiego i lubelskiego , Barometr Regionalny. Analizy i Prognozy : Nr 4 (2005)
Mieczysław Kowerski, Jarosław Bielak, Dawid Długosz, Opinie małych i średnich przedsiębiorstw na temat praktycznej przydatności narzędzi diagnozowania i prognozowania sytuacji gospodarczej , Barometr Regionalny. Analizy i Prognozy : Nr 1 (15) (2009)
Mieczysław Kowerski, Jarosław Bielak, Dawid Długosz, Mariusz Poninkiewicz, Zmiany nastrojów gospodarczych w województwie lubelskim w I kwartale 2012 r. , Barometr Regionalny. Analizy i Prognozy : Nr 2 (28) (2012)

<< < 1 2 3 4 5 6 > >>

Szczegóły

Bibliografia

Statystyki

Autorzy

Pobierz pliki

PDF (English)

Zasady cytowania

Kowerski, M. (2023). Dobór zmiennych objaśniających do liniowych modeli regresji szacowanych na regionalnych danych panelowych. Barometr Regionalny. Analizy I Prognozy, 19(1), 95–105. https://doi.org/10.56583/br.2141

Wskaźniki altmetryczne

Cited by / Share

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.

Bibliografia

Antczak, E., E. Gałecka-Burdziak, and R. Pater. 2018. “Unemployment and Vacancy Flows in Spatial Labour Market Matching at the Regional Level. The Case of a Transition Country.” Journal of Applied Economics 21 (1):25–43. doi: 10.1080/15140326.2018.1526874. DOI: https://doi.org/10.1080/15140326.2018.1526874

Arellano, M., and S. Bond. 1991. “Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations.” The Review of Economic Studies 58 (2):277–297. doi: 10.2307/2297968. DOI: https://doi.org/10.2307/2297968

Biørn, E. 2017. Econometrics of Panel Data. Methods and Applications. Oxford: Oxford University Press. DOI: https://doi.org/10.1093/acprof:oso/9780198753445.001.0001

Borsuk, M., and K. Kostrzewa. 2020. “Miary ryzyka systemowego dla Polski. Jak ryzyko systemowe wpływa na akcję kredytową banków?” Bank i Kredyt 51 (3):211–238.

Charemza, W., and D. Deadman. 1997. Nowa ekonometria. Translated by E.M. Syczewska. Warszawa: Polskie Wydawnictwo Ekonomiczne.

Dańska-Borsiak, B. 2011. Dynamiczne modele panelowe w badaniach ekonomicznych. Łódź: Wydawnictwo Uniwersytetu Łódzkiego. DOI: https://doi.org/10.18778/7525-549-2

Driver, C., A. Grosman, and P. Scaramozzino. 2020. “Dividend Policy and Investor Pressure.” Economic Modelling 89:559–576. doi: 10.1016/j.econmod.2019.11.016. DOI: https://doi.org/10.1016/j.econmod.2019.11.016

Grabiński, T., S. Wydymus, and A. Zeliaś. 1982. Metody doboru zmiennych w modelach ekonometrycznych. Warszawa: Państwowe Wydawnictwo Naukowe.

Hellwig, Z. 1969. “Problem optymalnego wyboru predykant.” Przegląd Statystyczny 16 (3/4):221–237.

Hellwig, Z. 1976. “Przechodniość relacji skorelowania zmiennych losowych i płynące stąd wnioski ekonometryczne.” Przegląd Statystyczny 23 (1):3–20.

Hellwig, Z. 1977. “Efekt katalizy w modelu ekonometrycznym, jego wykrywanie i usuwanie.” Przegląd Statystyczny 24 (2):179–191.

Herman, S. 2019. “Impact of Joint-Stock Companies’ Financial Condition on Real Activities Manipulation to Manage Earnings.” Wiadomości Statystyczne 64 (10):36–52. DOI: https://doi.org/10.5604/01.3001.0013.7588

Hsiao, C. 2014. Analysis of Panel Data. 3rd ed. Econometric society monographs. New York, NY: Cambridge University Press.

Karkowska, R. 2019. “Systemic Risk Affected by Country Level Development. The Case of the European Banking Sector.” Argumenta Oeconomica 2 (43):255–282. doi: 10.15611/aoe.2019.2.11. DOI: https://doi.org/10.15611/aoe.2019.2.11

Kowerski, M., and J. Bielak. 2021. “Kilka uwag na temat pomiaru zależności pomiędzy zmiennymi o panelowej strukturze danych.” Wiadomości Statystyczne 66 (5):7–25. doi: 10.5604/01.3001.0014.8781. DOI: https://doi.org/10.5604/01.3001.0014.8781

Kufel, T. 2011. Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL. 3rd ed. Warszawa: Wydawnictwo Naukowe PWN.

Maddala, G.S. 2006. Ekonometria. Translated by M. Gruszczyński, E. Tomczyk and B. Witkowski. Warszawa: Wydawnictwo Naukowe PWN.

Nowak, E. 2002. Zarys metod ekonometrii. Zbiór zadań. 3rd ed. Warszawa: Wydawnictwo Naukowe PWN.

Pluskota, A. 2020. “The Impact of Corruption on Economic Growth and Innovation in an Economy in Developed European Countries.” Annales Universitatis Mariae Curie-Skłodowska. Sectio H, Oeconomia 54 (2):77–87. doi: 10.17951/h.2020.54.2.77-87. DOI: https://doi.org/10.17951/h.2020.54.2.77-87

Tokarski, T., S. Roszkowska, and P. Gajewski. 2005. “Regionalne zróżnicowanie łącznej produktywności czynników produkcji w Polsce.” Ekonomista (2):215–244.

Witkowski, B. 2012. “Modele danych panelowych.” In Mikroekonometria. Modele i metody analizy danych indywidualnych, edited by M. Gruszczyński, 267–308. Warszawa: Wolters Kluwer Polska.