Warum ist die Verwendung von Querschnittsdaten zum Ableiten / Vorhersagen von Längsveränderungen eine schlechte Sache?

Ich suche ein Papier, von dem ich hoffe, dass es existiert, weiß aber nicht, ob es existiert. Es könnte sich um eine Reihe von Fallstudien und / oder ein Argument aus der Wahrscheinlichkeitstheorie handeln, warum die Verwendung von Querschnittsdaten zum Ableiten / Vorhersagen von Längsschnittänderungen eine schlechte Sache sein kann (dh nicht unbedingt so ist, aber sein kann).

Ich habe den Fehler auf ein paar große Arten gesehen: Es wurde der Schluss gezogen, dass die Bevölkerung insgesamt mehr reisen wird, weil die reicheren Menschen in Großbritannien mehr reisen, und wenn die Gesellschaft reicher wird. Diese Schlussfolgerung erwies sich über einen längeren Zeitraum - mehr als ein Jahrzehnt - als unwahr. Und ein ähnliches Muster beim Stromverbrauch im Inland: Querschnittsdaten implizieren große Einkommenssteigerungen, die sich im Laufe der Zeit nicht manifestieren.

Es gibt verschiedene Dinge, einschließlich Kohorteneffekten und angebotsseitigen Einschränkungen.

Es wäre sehr nützlich, eine einzige Referenz zu haben, die solche Fallstudien zusammenstellt. und / oder verwendete Wahrscheinlichkeitstheorie, um zu veranschaulichen, warum die Verwendung von Querschnittsdaten zum Ableiten / Vorhersagen von Längsänderungen sehr, sehr irreführend sein kann.

Gibt es ein solches Papier und wenn ja, was ist es?

Sie beantworten Ihre eigene Frage teilweise, indem Sie nach "longitudinalen" Änderungen fragen. Querschnittsdaten werden aufgerufen, weil sie eine Momentaufnahme machen, buchstäblich einen Querschnitt, der aus einer sich zeitlich entwickelnden Gesellschaft mit ihren vielen Beziehungen herausgeschnitten wurde. Die beste Schlussfolgerung, auf die Sie hoffen können, ist daher die Annahme, dass alles, was Sie studieren, zeitinvariant ist oder zumindest seine Entwicklung abgeschlossen hat.

Auf der anderen Seite sind die Daten, nach denen Sie suchen, Längsschnittdaten oder Paneldaten für Ökonomen.

Eine gute Referenz, die hauptsächlich Methoden erklärt, aber auch zwei herausragende Beispiele aus der Wirtschaft hervorhebt, ist hier . Beispiel 2.1 enthält Unternehmensinvestitionsraten.

$\alpha$

Schließen Sie nun die Zeitabhängigkeit für einen Moment, aber denken Sie daran, dass diese Gleichung wahrscheinlich das wahre Modell war.

$t$$\eta_{i}'s$

$\eta_i$

Dies ist der Hauptunterschied zwischen Querschnitts- und Paneldaten. Die Tatsache, dass Sie den zeitinvarianten Effekt eliminieren können, weil Sie diese Zeitvariation haben, ermöglicht es Ihnen, bestimmte Verzerrungen zu entfernen, die Sie durch die Querschnittsschätzung nicht erkennen können. Bevor Sie über eine Änderung der Richtlinien nachdenken, z. B. eine höhere Reisesteuer, weil Sie erwarten, dass Menschen reisen, und Sie mehr Staatseinnahmen wünschen, ist es daher sinnvoller, das Phänomen über einige Jahre hinweg zu beobachten, damit Sie sicher sein können, dass dies nicht der Fall ist Erfassen der unbeobachteten Heterogenität in Ihrer Stichprobe, die Sie als Reisebereitschaft interpretieren.

Um diese Modelle abzuschätzen, gehen Sie am besten die Referenz durch. Aber Vorsicht: Unterschiedliche Annahmen über das Verhalten von Menschen machen unterschiedliche Schätzverfahren zulässig oder nicht.

Ich hoffe das hilft!

Es klingt sehr nach der Definition eines nichtergodischen Prozesses (Maßnahmen über Realisierungen sind nicht gleich Maßnahmen über die Zeit). Leider sind nur sehr wenige interessante reale Phänomene ergodisch. Ich denke, dies könnte ein Fall für feinere Stichproben und Schlussfolgerungen sein, bei denen bestimmte Vereinfachungen durchgeführt werden könnten. Ich denke an Beispiele für kleine zeitliche oder räumliche Skalen, bei denen kein chaotisches Verhalten beobachtet wird, damit Prädiktoren linearisiert werden können. Aber ich streife nur hier herum. Ich fürchte, ich kann Ihnen auch nicht mit spezifischer Literatur zu diesem Thema helfen. Entschuldigung: / Aber trotzdem interessante Frage