Published March 21, 2018
| Version v1
Publication
Open
A model averaging approach for the ordered probit and nested logit models with applications
- 1. City University of Hong Kong
- 2. Academy of Mathematics and Systems Science
- 3. Chinese Academy of Sciences
Description
This paper considers model averaging for the ordered probit and nested logit models, which are widely used in empirical research. Within the frameworks of these models, we examine a range of model averaging methods, including the jackknife method, which is proved to have an optimal asymptotic property in this paper. We conduct a large-scale simulation study to examine the behaviour of these model averaging estimators in finite samples, and draw comparisons with model selection estimators. Our results show that while neither averaging nor selection is a consistently better strategy, model selection results in the poorest estimates far more frequently than averaging, and more often than not, averaging yields superior estimates. Among the averaging methods considered, the one based on a smoothed version of the Bayesian Information criterion frequently produces the most accurate estimates. In three real data applications, we demonstrate the usefulness of model averaging in mitigating problems associated with the 'replication crisis' that commonly arises with model selection.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تأخذ هذه الورقة في الاعتبار متوسط النموذج لنماذج البروبت واللوغاريتمات المتداخلة المرتبة، والتي تستخدم على نطاق واسع في البحث التجريبي. ضمن أطر هذه النماذج، ندرس مجموعة من طرق حساب متوسط النموذج، بما في ذلك طريقة جاكنايف، والتي ثبت أن لها خاصية تقارب مثالية في هذه الورقة. نجري دراسة محاكاة واسعة النطاق لفحص سلوك مقدرات متوسط النموذج هذه في عينات محدودة، ونعقد مقارنات مع مقدرات اختيار النموذج. تظهر نتائجنا أنه في حين أن لا المتوسط ولا الاختيار هو استراتيجية أفضل باستمرار، فإن اختيار النموذج يؤدي إلى أفقر التقديرات بشكل متكرر أكثر بكثير من المتوسط، وفي كثير من الأحيان، يؤدي المتوسط إلى تقديرات متفوقة. من بين طرق حساب المتوسط التي تم النظر فيها، فإن الطريقة التي تستند إلى نسخة سلسة من معيار المعلومات البايزي تنتج في كثير من الأحيان التقديرات الأكثر دقة. في ثلاثة تطبيقات بيانات حقيقية، نوضح فائدة متوسط النموذج في التخفيف من المشاكل المرتبطة بـ "أزمة النسخ المتماثل" التي تنشأ عادة مع اختيار النموذج.Translated Description (French)
Cet article considère la moyenne des modèles pour le probit ordonné et les modèles logit imbriqués, qui sont largement utilisés dans la recherche empirique. Dans le cadre de ces modèles, nous examinons une gamme de méthodes de calcul de la moyenne des modèles, y compris la méthode du jackknife, qui s'est avérée avoir une propriété asymptotique optimale dans cet article. Nous menons une étude de simulation à grande échelle pour examiner le comportement de ces estimateurs de moyennage de modèle dans des échantillons finis, et établissons des comparaisons avec des estimateurs de sélection de modèle. Nos résultats montrent que, bien que ni l'établissement de la moyenne ni la sélection ne soient une stratégie systématiquement meilleure, la sélection des modèles aboutit aux estimations les plus pauvres beaucoup plus souvent que l'établissement de la moyenne et, le plus souvent, l'établissement de la moyenne donne des estimations supérieures. Parmi les méthodes de moyennage considérées, celle basée sur une version lissée du critère Information bayésienne produit fréquemment les estimations les plus précises. Dans trois applications de données réelles, nous démontrons l'utilité de la moyenne des modèles pour atténuer les problèmes associés à la « crise de réplication » qui survient couramment lors de la sélection des modèles.Translated Description (Spanish)
Este documento considera la promediación de modelos para los modelos probit ordenado y logit anidado, que se utilizan ampliamente en la investigación empírica. Dentro de los marcos de estos modelos, examinamos una gama de métodos de promediado de modelos, incluido el método jackknife, que se ha demostrado que tiene una propiedad asintótica óptima en este documento. Realizamos un estudio de simulación a gran escala para examinar el comportamiento de estos estimadores de promedios de modelos en muestras finitas y hacer comparaciones con los estimadores de selección de modelos. Nuestros resultados muestran que, si bien ni el promedio ni la selección son una estrategia consistentemente mejor, la selección de modelos da como resultado las estimaciones más pobres con mucha más frecuencia que el promedio, y la mayoría de las veces, el promedio produce estimaciones superiores. Entre los métodos de promediado considerados, el basado en una versión suavizada del criterio de Información Bayesiana con frecuencia produce las estimaciones más precisas. En tres aplicaciones de datos reales, demostramos la utilidad del promedio de modelos para mitigar los problemas asociados con la "crisis de replicación" que comúnmente surge con la selección de modelos.Files
10815593.pdf.pdf
Files
(155.5 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:928c6138b0186d74cfd466c4f77e3f4a
|
155.5 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج متوسط نموذجي لنماذج البروبيت واللوغاريتمات المتداخلة مع التطبيقات
- Translated title (French)
- Une approche de calcul de la moyenne des modèles pour le probit ordonné et les modèles logit imbriqués avec des applications
- Translated title (Spanish)
- Un enfoque de promediado de modelos para los modelos probit ordenado y logit anidado con aplicaciones
Identifiers
- Other
- https://openalex.org/W2791170469
- DOI
- 10.1080/02664763.2018.1450367
References
- https://openalex.org/W1502876530
- https://openalex.org/W1517600448
- https://openalex.org/W1525442905
- https://openalex.org/W1526718608
- https://openalex.org/W1543115787
- https://openalex.org/W1600300577
- https://openalex.org/W1860366881
- https://openalex.org/W1994672023
- https://openalex.org/W1995147694
- https://openalex.org/W1998576834
- https://openalex.org/W2003103177
- https://openalex.org/W2006100591
- https://openalex.org/W2010647378
- https://openalex.org/W2014417816
- https://openalex.org/W2021136548
- https://openalex.org/W2022587791
- https://openalex.org/W2022943305
- https://openalex.org/W2028763699
- https://openalex.org/W2031913335
- https://openalex.org/W2042621574
- https://openalex.org/W2052025831
- https://openalex.org/W2056325729
- https://openalex.org/W2063601176
- https://openalex.org/W2063921469
- https://openalex.org/W2065199005
- https://openalex.org/W2067838071
- https://openalex.org/W2070674494
- https://openalex.org/W2078502317
- https://openalex.org/W2082502608
- https://openalex.org/W2108443364
- https://openalex.org/W2116480496
- https://openalex.org/W2122196572
- https://openalex.org/W2125251038
- https://openalex.org/W2132744859
- https://openalex.org/W2139896753
- https://openalex.org/W2141895117
- https://openalex.org/W2146081698
- https://openalex.org/W2158196600
- https://openalex.org/W2288243288
- https://openalex.org/W2562162676
- https://openalex.org/W2921430350
- https://openalex.org/W3100088624
- https://openalex.org/W3121321091
- https://openalex.org/W3124442571
- https://openalex.org/W3124986623
- https://openalex.org/W4246784033
- https://openalex.org/W4252684946