ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Measurement Error and Latent Variables in Econometrics (Advanced Textbooks in Economics)

دانلود کتاب خطای اندازه گیری و متغیرهای پنهان در اقتصاد سنجی (کتاب های درسی پیشرفته اقتصاد)

Measurement Error and Latent Variables in Econometrics (Advanced Textbooks in Economics)

مشخصات کتاب

Measurement Error and Latent Variables in Econometrics (Advanced Textbooks in Economics)

دسته بندی: اقتصاد
ویرایش: 1 
نویسندگان: ,   
سری:  
ISBN (شابک) : 044488100X, 9780585489599 
ناشر:  
سال نشر: 2000 
تعداد صفحات: 454 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 17 مگابایت

قیمت کتاب (تومان) : 31,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب Measurement Error and Latent Variables in Econometrics (Advanced Textbooks in Economics) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب خطای اندازه گیری و متغیرهای پنهان در اقتصاد سنجی (کتاب های درسی پیشرفته اقتصاد) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب خطای اندازه گیری و متغیرهای پنهان در اقتصاد سنجی (کتاب های درسی پیشرفته اقتصاد)

این کتاب ابتدا جنبه های مختلف ناسازگاری شناخته شده ای را که هنگام اندازه گیری متغیرهای توضیحی در مدل رگرسیون خطی با خطا به وجود می آید، به طور عمیق مورد بحث قرار می دهد. علی‌رغم این ناسازگاری، منطقه‌ای که ضرایب رگرسیون واقعی در آن قرار دارد، گاهی اوقات می‌تواند به روشی مفید مشخص شود، به‌ویژه زمانی که مرزها در واریانس خطای اندازه‌گیری شناخته می‌شوند اما همچنین زمانی که چنین اطلاعاتی وجود ندارد. تبعیض دستمزد با اندازه گیری ناقص بهره وری به عنوان یک مورد خاص مهم مورد بحث قرار می گیرد. در مرحله بعد، نشان داده می شود که ناسازگاری تصادفی نیست بلکه اساسی است. به دلیل مشکل شناسایی، ممکن است اصلاً برآوردگر ثابتی وجود نداشته باشد. اطلاعات تکمیلی مطلوب است. این اطلاعات می تواند انواع مختلفی داشته باشد. یک نوع، دانش قبلی دقیق در مورد توابع پارامترها است. این منجر به برآوردگر CALS می شود. نوع اصلی دیگر به شکل متغیرهای ابزاری است. بسیاری از جنبه‌های این مورد مورد بحث قرار می‌گیرند، از جمله ناهمگونی، ترکیب داده‌ها از منابع مختلف، ساخت ابزار از داده‌های موجود، و برآوردگر LIML، که به‌ویژه زمانی که ابزار ضعیف هستند، مرتبط است. سپس دامنه به جاسازی معادله رگرسیون با خطای اندازه‌گیری در یک تنظیم معادلات چندگانه گسترش می‌یابد که منجر به مدل تحلیل عاملی اکتشافی (EFA) می‌شود. این مرحله از خطای اندازه گیری تا متغیرهای پنهان را مشخص می کند. برآورد مدل EFA منجر به یک مشکل ارزش ویژه می شود. مدل‌های مختلفی مورد بررسی قرار می‌گیرند که شامل مسائل مربوط به ارزش ویژه به‌عنوان مشخصه مشترک آنها می‌شود. EFA به تجزیه و تحلیل عامل تاییدی (CFA) با گنجاندن محدودیت‌هایی در پارامترهای مدل تحلیل عاملی و در مرحله بعد با مرتبط کردن عوامل به متغیرهای پس‌زمینه گسترش می‌یابد. این مدل‌ها همگی مدل‌های معادلات ساختاری (SEMs)، یک کلاس بسیار کلی و مهم از مدل‌ها هستند که مدل LISREL به عنوان شناخته‌شده‌ترین نمایش آن، تقریباً تمام سیستم‌های معادلات خطی با متغیرهای پنهان را در بر می‌گیرد. تخمین SEM ها را می توان به عنوان کاربرد روش تعمیم یافته گشتاورها (GMM) مشاهده کرد. GMM به طور کلی و برای SEM به طور گسترده مورد بحث قرار گرفته است، از جمله کلیت GMM، وزن بهینه، ممان های شرطی، به روز رسانی مداوم، تخمین شبیه سازی، ارتباط با روش حداکثر احتمال، و به طور خاص آزمایش و ارزیابی مدل برای GMM. . بحث با مدل های غیر خطی به پایان می رسد. تاکید بر مدل‌های چند جمله‌ای و مدل‌هایی است که به دلیل فیلتر روی متغیرهای وابسته غیرخطی هستند، مانند مدل‌های انتخاب گسسته یا مدل‌هایی با متغیرهای طبقه‌بندی مرتب.


توضیحاتی درمورد کتاب به خارجی

The book first discusses in depth various aspects of the well-known inconsistency that arises when explanatory variables in a linear regression model are measured with error. Despite this inconsistency, the region where the true regression coeffecients lies can sometimes be characterized in a useful way, especially when bounds are known on the measurement error variance but also when such information is absent. Wage discrimination with imperfect productivity measurement is discussed as an important special case. Next, it is shown that the inconsistency is not accidental but fundamental. Due to an identification problem, no consistent estimators may exist at all. Additional information is desirable. This information can be of various types. One type is exact prior knowledge about functions of the parameters. This leads to the CALS estimator. Another major type is in the form of instrumental variables. Many aspects of this are discussed, including heteroskedasticity, combination of data from different sources, construction of instruments from the available data, and the LIML estimator, which is especially relevant when the instruments are weak. The scope is then widened to an embedding of the regression equation with measurement error in a multiple equations setting, leading to the exploratory factor analysis (EFA) model. This marks the step from measurement error to latent variables. Estimation of the EFA model leads to an eigenvalue problem. A variety of models is reviewed that involve eignevalue problems as their common characteristic. EFA is extended to confirmatory factor analysis (CFA) by including restrictions on the parameters of the factor analysis model, and next by relating the factors to background variables. These models are all structural equation models (SEMs), a very general and important class of models, with the LISREL model as its best-known representation, encompassing almost all linear equation systems with latent variables. Estimation of SEMs can be viewed as an application of the generalized method of moments (GMM). GMM in general and for SEM in particular is discussed at great length, including the generality of GMM, optimal weighting, conditional moments, continuous updating, simulation estimation, the link with the method of maximum likelihood, and in particular testing and model evaluation for GMM. The discussion concludes with nonlinear models. The emphasis is on polynomial models and models that are nonlinear due to a filter on the dependent variables, like discrete choice models or models with ordered categorical variables.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی