Estimating Seemingly Unrelated Regressions with First Order Autoregressive Disturbances
Notice bibliographique
Résumé
In Seemingly Unrelated Regressions (SUR) model, disturbances are assumed to be correlated across equations and it will be erroneous to assume that disturbances behave independently, hence, the need for an efficient estimator. Literature has revealed gain in efficiency of the SUR estimator over the Ordinary Least Squares (OLS) estimator when the errors are correlated across equations. This work, however, considers methods of estimating a set of regression equations when disturbances are both contemporaneously and serially correlated. The Feasible Generalized Least Squares (FGLS), OLS and Iterative Ordinary Least Squares (IOLS) estimation techniques were considered and the form of autocorrelation examined. Prais-Winstein transformation was conducted on simulated data for the different sample sizes used to remove autocorrelations. Results from simulation studies showed that the FGLS was efficient both in small samples and large samples. Comparative performances of the estimators were investigated on the basis of the standard errors of the parameter estimates when estimating the model with and without AR(1) and the results showed that the estimators performed better with AR(1) as the sample size increased especially from 20. On the criterion of the Root Mean Square, the FGLS was found to have performed better with AR(1) and it was revealed that bias reduces as sample size increases. In all cases considered, the SUR estimator performed best. It was consistently most efficient than the OLS and IOLS estimators.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».