L`étiquette importe, car les modèles FE (et en fait les modèles hybrides) sont souvent présentés comme une solution technique, suivant et répondant à un test Hausman pris pour signifier qu`un modèle RE ne peut pas être utilisé. 10 en tant que tels, les chercheurs considèrent rarement ce problème FE effectivement résout, et pourquoi les estimations de paramètre RE étaient fausses. Ce biais est souvent décrit comme une «endogénéité», un terme qui couvre une gamme large et disparate de différentes spécifications erronées du modèle (Bell et Jones 2015:138). En fait, le test Hausman étudie simplement si les effets entre et dans l`intérieur sont différents, une possibilité que la spécification REWB permet. REWB (a) reconnaît la possibilité de différences entre les effets d`un prédicteur à l`intérieur et entre les deux et (b) modélise explicitement ceux qui se séparent à l`intérieur et entre les effets. Le modèle REWB est une solution directe et substantielle à un modèle RE mal spécifié pour permettre la possibilité de relations différentes à chaque niveau; il modélise entre les effets, qui peuvent être à l`origine du problème, et sont souvent eux-mêmes substantivement intéressants. Lorsqu`il est traité comme un modèle FE, cette substance est souvent perdue. Étant donné que α i {displaystyle alpha _ {i}} n`est pas observable, il ne peut pas être contrôlé directement pour. Le modèle FE élimine α i {displaystyle alpha _ {i}} en dégradant les variables à l`aide de la transformation à l`intérieur: les effets fixes sont estimés à l`aide des moindres carrés (ou, plus généralement, la probabilité maximale) et les effets aléatoires sont estimés avec rétrécissement (“linéaire prédiction impartiale» dans la terminologie de Robinson, 1991). Cette définition est standard dans la littérature de modélisation multiniveau (voir, par exemple, Snijders et Bosker, 1999, section 4,2) et en économétrie. Plus précisément, l`estimation sera pondérée comme: (beta_{ML} = frac{{w_{W} beta_{W} + w_ {B} beta_{B}}} {{w_ {W} + w_ {B}}} ), où (w_ {W} ) est la précision de la dans l`estimation, c`est-à-dire (w_ {W} = left ({{raise0.7exhbox{$ 1 $} ! mathord { Left/{vphantom {1 {left ({SE_ {bêta W}} right) ^ {2}}}} right.kern-0pt} ! lower0.7exhbox{$ {left ({SE_ {beta W}} droite) ^ {2}} $}}} right) ) et (w_ {B} ) est la précision entre l`estimation, (w_ {B} = left ({{raise0.7exhbox{$ 1 $} ! mathord { gauche/{vphantom {1 {left ({SE_ {bêta B}} right) ^ {2}}} } right.kern-0pt} ! lower0.7exhbox{$ {left ({SE_ {bêta B}} right) ^ {2}} $}}} right) ).

Étant donné la plus grande taille de l`échantillon (et donc une plus grande précision) de la dans l`estimation, le modèle tend souvent vers l`intérieur estimé. (beta_{W}) et (beta_{B}) sont l`intérieur et entre les effets, respectivement (estimés comme (beta_{1}) et _ {2B} ) dans EQ. 2), bien que cela dépende de l`étendue des variations inexpliquées de niveau 1 et 2 dans le modèle. En plus de cette synthèse de la documentation méthodologique interdisciplinaire sur les modèles FE et RE (information qui, bien que souvent mal comprise, n`est pas nouvelle), nous présentons une étude de simulation originale montrant comment différentes formes de ces modèles réagissent dans le la présence de certaines spécifications plausibles du modèle. Les simulations montrent que les erreurs standard estimées sont anticonservatrices lorsque la variation de pente aléatoire existe mais qu`un modèle ne le permet pas.

  Comments are closed.