Kas ir mikroekonometrija?

Binārie modeļi ir izplatīti teorētiskajā ekonomikā, un divi šo modeļu veidi, ko bieži izmanto mikroekonometrikā, ietver logit un probit modeļus. Logit jeb loģistikas regresijas modelis ir regresijas analīzes veids, kas izmanto datus un mēģina ar tiem paredzēt rezultātus, piemēram, pamatojoties uz klienta tieksmi iegādāties jaunu automašīnu vai nē, pamatojoties uz viņa ienākumiem, vecumu un ģimenes lielumu. Probit modelis ir arī lineāras regresijas veids ar vienkāršāku bināro komponentu, kas mēģina paredzēt maksimālo iespējamību vienam no diviem rezultātiem, piemēram, vai indivīds ir precējies vai nav, pamatojoties uz pieejamajiem probit regresijas datiem.

Binārās ekonometrijas modeļu vērtība ir balstīta uz to, ka dati nav nejauši uz izvēli balstīta izlase, kur viena grupa tiek dota priekšroka pār citu. Novirzes var rasties arī tad, ja pētāmās izvēles ir izdarījusi tikai salīdzinoši neliela lielākās populācijas izlase. Šādas kļūdas var kompensēt, tā vietā izmantojot vai iekļaujot aditīvo nejaušības lietderības modeli (ARUM) mikroekonometrijas tendenču analīzē.

Statistikas metodes mikroekonometrijas mērogā ir bijušas jau ilgu laiku. Sākotnēji tos izmantoja 1800. gadu vidū, lai analizētu mājsaimniecību budžeta datus, un pētījumi ar tiem tika turpināti 1950. gados, lai pētītu komerciālās ražošanas līmeni un patērētāju pieprasījumu. No 1980. gadsimta 21. gadsimtam ir mainījusies mikroekonometrijas būtība un tās fokuss. Tas lielā mērā ir saistīts ar matemātiskās analīzes skaitļošanas jaudas pieaugumu, kā arī daudz detalizētākiem iedzīvotāju skaitīšanas datiem.

Tehnoloģijas, piemēram, lāzerskeneri mazumtirdzniecības veikalos un biznesa tendenču korporatīvā analīze, piemēram, aviokompānijas ieraksti tiešsaistes pasažieru rezervācijās, ir radījušas mikroekonometrijas sprādzienbīstamas iespējas. Neskatoties uz lielajām informācijas datu bāzēm, kas radušās, un sarežģītākiem matemātiskajiem modeļiem, kas tiek izmantoti tās analīzei, mikroekonometrija joprojām koncentrējas uz vairākiem fundamentāliem analīzes aspektiem. Tie ietver datu sadales raksturu, nelineāras metodes to aplūkošanai un mēģinājumu noteikt cēloņsakarību darbībām, kas saistītas ar vienkāršām korelatīvajām attiecībām starp pašu informāciju.

SmartAsset.