STATA-FORUM.DE

[JohannesWolter]

Mein Datensatz hat mehrere Observationen je Objekt und Jahr, so dass beim xtset/xtreg keine eindeutige Zuordnung der Observationen anhand der ID und der Zeitvariable erfolgen kann und eine Fehlermeldung erscheint.

Mein Datensatz ist wie folgt aufgebaut:

(a) Hersteller
(b) Modell
(c) Jahre seit dem das erste Produkt eines Typs auf dem Markt käuflich zu erwerben war
(d) Alter eines Produkts

Hier ein Beispiel: Der Computer Lenovo (a) E130 (b) ist 2009 auf den Markt gekommen. In 2012 ist das Modell 3 Jahre (c) auf dem Markt und auf dem Gebrauchtmarkt werden ein-, zwei- und drei-Jahre (d) alte Modell angeboten. Siehe hierzu auch die beigefügte Excel-Tabelle

Eine Observation ist nicht eindeutig durch das Produktmodell und das Alter zuzuordnen, weil ein Modell mehrere Observationen mit dem gleichen "Alter" hat. Die Observationen wären nur durch die drei Variablen "Modell", "Alter" und "Jahre seit Produkteinführung" eindeutig zuzuordnen.

Ich kann leider keine Lösung finden wie ich eine Panel-Regression mit zwei Zeitvariablen durchführe. Kannst du mir bei der Lösung dieses Problems helfen? Hast du einen guten Ansatz, wie ich an das Problem herangehen kann?

Ich würde mich über eine kurze Antwort von dir sehr freuen.

[daniel]

Ohne Forschungsfrage, Hypothsen etc. nd insb. das angestrebte Modell ist es schwer diese Frage zu beantworten. Was stellst Du Dir unter

Panel-Regression mit zwei Zeitvariablen

vor? Welche Varianz soll da wie zur Schätzung von Parametern genutzt werden? Willst Du mehr als 2 Level schätzen?

Ansonsten schau Dir mal -egen-s -group()- Funktion an, und bastel Dir eben eine (oder zwei) Variablen, die eine Beobachtung eindeutig indentifizieren.

[JohannesWolter]

In meiner Regression möchte ich mir den Einfluss der Computer-Komponenten auf die Fehleranfälligkeit untersuchen. In der Analyse gibt Zeit-Fixed-Effects, d.h. in einigen Kalenderjahren gibt es über alle Computer hinweg höhere Fehlerquoten. Zusätzlich gibt es je Computer-Modell Fixed-Effects, die ich in meine Analyse mit untersuchen möchte.
Eine Panel-Regression mit Fixes-Effects würde all dies berücksichtigen. Allerdings ist das mit meiner Datenstruktur nicht möglich (mehrere Observationen je Modell und Alter des Produkts) und suche daher nach Alternativen oder anderen Ansätzen.
Eine neue ID würde die beschriebenen Fixed-Effects ausschließen.
Fällt dir noch eine anderer Lösungsansatz ein?

[daniel]

Ich muss gestehen, das Problem klingt relativ komplex, und ich kann mich zeitlich nicht so tief da reinlesen, wie es vermutlich nötig wäre.

In der Analyse gibt Zeit-Fixed-Effects, d.h. in einigen Kalenderjahren gibt es über alle Computer hinweg höhere Fehlerquoten.

Bekommst Du die nicht in den Griff, indem Du Computer-Modell FE schätzt und schlicht Indikatorvariablen für die Kalenderjahre berücksichtigst. Umgekehrt könntest Du auch über die Kalenderjahre FE schätzen und für die Modelle kontrollieren, also im Grunde ein LSDV (least square dummy variable) Ansatz kombiniert mit FE (de-meaning).

Zusätzlich gibt es je Computer-Modell Fixed-Effects, die ich in meine Analyse mit untersuchen möchte.
Eine Panel-Regression mit Fixes-Effects würde all dies berücksichtigen.

Da wäre ich ehrlich gesagt nicht sicher. Das kommt auf Dein Verständnis einer FE Regression an. Und genau da solltest Du ansetzen. Ich würde an Deiner Stelle darüber nachdenken, was FE Schätzer eigentlich sind, nämlich im Prinzip schlicht OLS Schätzer geeignet transformierter Daten. Üblicherweise werden die Prädikatoren als Abweichungen vom Gruppenspezifischen Mittelwert dargestellt (de-meaning). Du solltest Dir überlegen, welches Deine Gruppen sind, wie Du diese eindeutig indentifizieren kannst (vgl. meine Vorschläge). Vielleicht musst Du eines der (möglicherweise nötigen) beiden de-meaning (über Zeit und Modelle) "per Hand" durchfürhren, das andere als Zeitvariable definieren.