STATA-FORUM.DE

[Thomas]

Hallo liebe Statistiker,

ich möchte gerne den Befehl "rreg" für eine Robust Regression durchführen, um zu sehen, wie sich die Std. Err. verhalten. Wenn ich allerdings den Befehl eingebe, erhalte ich folgende Fehlermeldung: all weights went to zero;
no observations
r(2000);

Zudem kommt folgende Fehlermeldung, wenn ich den Befehl "robreg mm" eingebe:
estimates post: matrix has missing values
r(504);

D.h. eine Robust Regression ist nicht möglich, aber woran kann das grundsätzlich liegen? Ich hoffe, es ist für Euch überhaupt möglich, ohne die Einsicht in meine Daten etc. mögliche Fehlerquellen zu identifizieren..

Vielen Dank und liebe Grüsse
Thomas

[daniel]

um zu sehen, wie sich die Std. Err. verhalten

Sicher, dass Du eine robuste Regression willst? Eine robuste Regresion verändert die Koeffizienten, indem "Ausreißer" in den Daten anders gewichtet werden. Suchst Du hier nicht eher nach (heteroskedastie) robusten Standradfehlern, auch sandwich estimators genannt (siehe meine letzen Kommentar hier: http://www.statistik-forum.de/post4506.html#p4506)? Die sind in Stata beim -regress- Befehl als -vce(robust)- option implementiert.

[Thomas]

Hallo Daniel

Vielen Dank für Deine Antwort. Mein grundsätzliches Problem ist, dass mein Datenset ein paar Ausreisser enthält, die die Regression sicherlich stark beeinflussen. Da ich mein Datenset allerdings selbst zusammengestellt und sehr viele Male auf Tippfehler etc. korrigiert habe, kann ich davon ausgehen, dass die Daten so stimmen und die Ausreisser hald wirklich der Realität entsprechen. Da nun aber die Ergebnisse meiner Regressionen nicht so sind wie sie sein sollten und bspw. verschiedenen Annahmen der OLS nicht erfüllt sind (Homoskedastizität, Normalverteilung der Residuen) und diese auch bspw. durch Transformationen nicht zu verbessern sind, suche ich nach Alternativen und bin etwas am "ausprobieren". Dabei bin ich eben auf die Robust Regression gestossen und dachte, dass diese Methode mein Problem "lösen" könnte. Da die Methode nun aber aufgrund der erwähnten Fehlermeldungen gar nicht funktioniert, wollte ich gerne wissen, woran das liegen kann, um dann wiederum Rückschlüsse für mein Datenset machen zu können. Ist dahingehend eine Aussage von Dir überhaupt möglich ohne mein Datenset genauer zu kennen bzw. ob ich mit der Methode auf dem falschen Weg bin?

Vielen Dank und liebe Grüsse
Thomas

[daniel]

Da nun aber die Ergebnisse meiner Regressionen nicht so sind wie sie sein sollten

Ganz schlechter Ansatz -- obwohl es vermutlich gar nicht so gemeint ist, wie es klingt.

verschiedenen Annahmen der OLS nicht erfüllt sind (Homoskedastizität, Normalverteilung der Residuen) und diese auch bspw. durch Transformationen nicht zu verbessern sind, suche ich nach Alternativen und bin etwas am "ausprobieren".

Hm, robuste Standradfehler "lösen" das Problem der Heteroskedastie. Bei großen Fallzaheln ist die Normalverteilung der Residuen eher sekundär. Wenn Deine Ausreißer keine datenfehler sind, ist Dein Modell vielleicht eher ungeeignet den Datengenerierenden Prozess abzubilden. Dieses Problem wirst Du auch durch die robuste Regression nicht "lösen" können.

Da die Methode nun aber aufgrund der erwähnten Fehlermeldungen gar nicht funktioniert, wollte ich gerne wissen, woran das liegen kann, um dann wiederum Rückschlüsse für mein Datenset machen zu können. Ist dahingehend eine Aussage von Dir überhaupt möglich ohne mein Datenset genauer zu kennen bzw. ob ich mit der Methode auf dem falschen Weg bin?

Ist schwierig ohne Daten. Lass Dir mal mittels -genwt()- option die generierten Gewichte speichern und schau da mal rein. Vielleicht bringt das ein wenig Licht ins Dunkel.

[Thomas]

Ganz schlechter Ansatz -- obwohl es vermutlich gar nicht so gemeint ist, wie es klingt.

Absolut, das war nicht so gemeint

Wenn Deine Ausreißer keine datenfehler sind, ist Dein Modell vielleicht eher ungeeignet den Datengenerierenden Prozess abzubilden. Dieses Problem wirst Du auch durch die robuste Regression nicht "lösen" können.

Damit hast du wohl recht und dessen bin ich mir auch bewusst. Die zugrundeliegende Theorie und das Regressions-Modell wurden bereits für andere Länder "erfolgreich" getestet, allerdings weisen die Märkte der Länder dieser Paper andere Charakteristiken auf als der Markt, den ich untersuche. Wenn sich dieses Modell nun für meinen Markt als ungeeignet herausstellt, habe ich dadurch ja auch eine Erkenntnis gewonnen. Da es allerdings eine Abschlussarbeit ist, sollte ich dennoch gezeigt haben, dass ich die grundsätzlichen statistischen Hintergründe mehr oder weniger verstanden habe und zu diesem Zweck sollte ich, so denke ich, einige Möglichkeiten mit meinen Problemen umzugehen, dargelegt haben. Was würdest du für eine Methode für solch einen Fall vorschlagen? Würdest du es bei OLS mit mit "...,vce(robust)" belassen oder gibt es noch weitere Möglichkeiten, die ich in Betracht ziehen sollte?

Ist schwierig ohne Daten. Lass Dir mal mittels -genwt()- option die generierten Gewichte speichern und schau da mal rein. Vielleicht bringt das ein wenig Licht ins Dunkel.

Das wollte ich auch schon machen, ist leider aber gar nicht möglich, da Stata die Operation abbricht, bevor die weights generiert werden konnten.

[daniel]

Ich weiß zu wenig über die Daten, das konkrete Modell, die Theorie, das Erkennisinteresse und den gesamten Kontext. Ich werde auch nicht die Zeit haben, mich da einzulesen.

Technisch bist Du wohl auf dem richtigen Weg. Mach eine ordentliche Modelldiagnostik. Schau Dir die Ausreißer an (Cook's D, etc., vgl. Kohler; Kreuter, 2012:276ff) und schätz das Modell mal ohne diese Beobachtungen. Wie unterscheidn sich die Ergebnisse? Die robuste Regression basiert ja auf diesen Maßen, und vielleicht bekommst Du so einen Eindruck der Problematik. Sandwich Standardfehler sind sicher auch nicht verkehrt, um die Heteroskedastie-Problematik einschätzen zu können.

Inhaltlich würde ich vorschlagen, alternative Spezifikationen des Modells zu erwägen. Welche Charakteristika der Märkte unterscheiden sich wie von denen, für die das Modell passt? Was sind potentielle Implikationen dieser Unterschiede für Dein Modell? Lassen sich diese Implikationen umsetzen? Resultieren die (i.e. alle) "Ausreißer" aus einem bestimmten Grund? Falls ja, füge doch in das Modell eine -- theoretisch begründete -- Indikatorvariable für diese Beobachtungen ein, und schau, ob das Modell dann besser passt.


Kohler, U., Kreuter, F. (2012). Datenanalyse mit Stata. Allgemeine Konzepte der Datenanalyse und ihre praktische Anwendung. München: Oldenbourg.

[Thomas]

Vielen Dank für Deine Hilfe und wertvollen Tipps und einen schönen Abend

Liebe Grüsse
Thomas