Modèle log linéaire

Étant donné que le modèle linéaire-log apparaît supérieur à l`erreur standard blanche pour résoudre l`hétérokédasticité. Je me demande si elle fonctionne aussi bien ou mieux que Newey-West standard Errors pour résoudre l`autocorrélation des résidus. Je ne vois pas pourquoi. Le principal problème avec l`autocorrélation est que ces valeurs résiduelles autocorrélées peuvent constamment se faire en dehors des limites des intervalles de confiance parallèles à la ligne de régression. Comme démontré ci-dessus, le modèle Linear-log surpasse ce problème. Vous utiliserez uniquement le modèle Linear-log comme test d`importance statistique des variables. Vous utiliserez toujours le modèle linéaire régulier pour estimer votre variable dépendante. Cependant, je pensais à une autre alternative. Que diriez-vous de transformer votre régression linéaire en linéaire-log un. Vous transformerez les variables X en variables LN (X). L`avantage de cela est que l`erreur type de ces variables LN (X) coefficients de régression serait élastique pour ainsi dire. C`est parce que les logs ont un multiplicatif au lieu de la nature additive. Ainsi, lorsque votre coefficient de régression est associé à une valeur plus élevée de X l`erreur standard, même si le même dans une forme de journal serait beaucoup plus grande lorsqu`il est antijournalisé ou délié (converti à partir de la forme du journal à nominal à l`aide de la formule EXP ()).

Par conséquent, lorsque l`estimation et les erreurs standard résultantes sont anti-journalisées… l`intervalle de confiance qui en résulte s`élargit automatiquement. Avec des valeurs plus petites de X, comme spécifié l`intervalle de confiance antijournalisé se rétrécirait automatiquement. Je pense que ce modèle linéaire-log serait plus efficace à résoudre complètement l`hétérokedasticité que l`utilisation de l`erreur standard blanc qui vient encore avec un seul intervalle de confiance fixe (résultant en deux lignes parallèles à la ligne régressée). Au lieu de cela, le modèle Linear-log viendrait avec un intervalle toujours plus croissant que la valeur de X augmente. Les utilisateurs peuvent être intéressés par des procédures plus formelles pour les tests entre les spécifications de modèle linéaire et log-log. Des procédures d`essai ont été proposées par divers chercheurs. Comme pour les modèles log-log et log-Linear, les coefficients de régression dans les modèles de log linéaire ne représentent pas la pente. . où la valeur de Y pour un X donné ne peut être dérivée que si l`impact est connu, vous pouvez estimer l`impact à l`aide de OLS uniquement si vous utilisez une transformation de journal.

Si vous prenez le log naturel des deux côtés, vous finissez avec l`estimation des fonctions de consommation n`est pas la seule utilisation des fonctions de log linéaire. Les économistes ont tendance à utiliser ces fonctions chaque fois que les changements unitaires dans la variable dépendante sont susceptibles d`être inférieurs aux changements unitaires dans les variables indépendantes. Dans l`exemple ci-dessus, le modèle log-log est estimé et les prédictions antilog sont calculées avec les commandes: un modèle log-Linear est un modèle mathématique qui prend la forme d`une fonction dont le logarithme est égal à une combinaison linéaire des paramètres du modèle, qui permet d`appliquer (éventuellement multivariée) une régression linéaire. C`est, il a la forme générale. Le terme sur le côté droit est le pourcentage de variation dans X, et le terme sur le côté gauche est le changement d`unité dans Y. la partie (a) montre une fonction de log linéaire où l`impact de la variable indépendante est positif.