Structural Breaks in the Term Spread-GDP Growth Relationship
在检查期限利差预测的内容之后，以下是期限利差的斜率系数，在 1946-2023 年第三季度（GDP 增长 1947-2024 年第三季度）的短期利率回归中。图 1：子样本 10 年-3 个月利差上 GDP 增长领先 4 个季度的回归系数。+ (***) 表示显著性为 11% (1%) msl，使用 Newey-West […]
Instrumental Variables in Practical Application
我一直对 Alwyn Young 的论文《无推理的一致性：工具变量在实际应用中》很感兴趣。在线附录。很高兴看到它现在发表在《欧洲经济评论》上。请注意非白色干扰的关键作用。引言：经济学界正处于一场“可信度革命”（Angrist 和 Pischke 2010）中，其中精心的研究设计已牢固确立为应用工作的必要特征。这场革命的一个关键要素是使用工具来识别因果关系，而不受内生普通最小二乘回归量的潜在偏差的影响。然而，对研究设计的日益重视并没有与对推理质量的同等要求齐头并进。尽管 Eicker (1963)-Hinkley (1977)-White (1980) 异方差稳健协方差估计及其聚类扩展被广泛使用
Reporting an R-Squared Measure for Count Data Models
这篇文章的灵感来自于我前段时间收到的一封电子邮件，该邮件来自一位博客读者。我认为，更“广泛”的回应可能会引起其他读者的兴趣......尽管存在许多局限性，但在报告最小二乘回归结果时，包括判定系数 (R2) 或其“调整后”的值是标准做法。就我个人而言，我认为 R2 是我们结果中包含的最不重要的统计数据之一，但我们都这样做。（请参阅上一篇文章。）如果所讨论的回归模型是线性的（在参数中）并且包含截距，并且如果参数由普通最小二乘法 (OLS) 估计，则 R2 具有许多众所周知的属性。这些包括：0 ≤ R2 ≤ 1。如果我们向模型中添加回归量，R2 的值不会减小。无论我们将这个度量定义为“解释平方和”与
Everything's Significant When You Have Lots of Data
嗯......其实不然！表面上看起来是这样，但那是因为你可能使用了完全不恰当的衡量标准来衡量什么是（统计上）显著的，什么不是。我在之前的一篇文章中谈到了这个问题，我说：“Granger（1998 年、2003 年）提醒我们，如果样本量足够大，那么几乎不可能不拒绝任何假设。因此，如果样本非常大，并且回归模型中估计系数相关的 p 值约为 0.10 甚至 0.05，那么这真是个坏消息。当样本量达到数千甚至更大时，我们需要更小的 p 值，然后我们才会对“统计上显著”的结果感到兴奋。”这个一般性观点，即我们选择的显著性水平应该随着样本量的增加而降低，大多数统计学家和计量经济学家都非常理解。 （例如，参见
