Tourism Logistics - โลจิสติกส์สำหรับการท่องเที่ยว

Home ตำราเรียน เศรษฐมิติ Recursive Model ภัยซ่อนเร้นของทุกแบบจำลอง
Welcome


Tourism
Logistics



CMSE
Conference



Journal EEQEL




คลังหนังสือ
Komsan
Suriya



















Recursive Model ภัยซ่อนเร้นของทุกแบบจำลอง Print E-mail
คมสัน สุริยะ
21 ธันวาคม 2552
 



ปัญหาตัวฉกาจของการทำแบบจำลองก็คือ Recursive Model  เราจึงควรทำความเข้าใจว่ามันคืออะไร ก่อให้เกิดปัญหาอย่างไร และจะแก้ไขได้อย่างไร
 
 

Recurive Model คืออะไร
 

Recurive Model คือ แบบจำลองที่ ตัวแปรอิสระในช่วงเวลานี้ (Independent variable: Xt ) ถูกกำหนดโดยตัวแปรตามในช่วงเวลาก่อนหน้านั้น  ( Lagged Dependent Variable: Yt-1 ) ดังนี้
 
Yt = a + b * Xt  + ut                         ................(1)
 
แต่ Xt = c + d * Yt-1 + vt             ................(2)
 
 
ปัญหาที่เกิดขึ้นคือเรียกว่าปัญหา Causalities แปลได้ง่าย ๆ ว่า ไก่กับไข่อะไรเกิดก่อนกัน   เพราะเราไม่รู้ว่า X เกิดก่อน Y หรือ Y เกิดก่อน X กันแน่
 
 


ผลของปัญหา Causalities   
 
 
ปัญหา Causalities   เป็นสาเหตุหนึ่งของปัญหา Endogeneity (อีกสองสาเหตุคือ Omitted variable คือ การละทิ้งตัวแปรที่สำคัญบางตัวไป  และ  Measurement Error คือ การวัดค่าที่ผิด)  


ปัญหา Endogeneity คือ ตัวแปรอิสระ (Independent variable: X) ไม่อิสระจริง คือ ไม่ได้เป็นตัวแปรที่เป็นปัจจัยภายนอก (Exogeneous)   แต่ถูกกำหนดจากอะไรบางอย่างที่อยู่ในแบบจำลองนั้น   ซึ่งถ้าถามว่าถูกกำหนดจากอะไรก็ขอให้ย้อนไปดูสมการที่ (1)   ใหม่อีกครั้ง
 
สมการที่ (1)  ประกอบด้วย Yt     Xt   และ ut    แล้วถ้า Xt   ไม่ได้ถูกกำหนดจาก Yt   แล้วจะถูกกำหนดจากไหน   คำตอบก็คือ ut     แล้วมันจะเป็นอย่างนั้นได้อย่างไร เราลองมาหาคำตอบกัน
 



ทำไมปัญหา Causalities   ทำให้เกิดปัญหา Endogeneity
 

โดยปกติแล้ว Yt มักจะได้รับอิทธิพลจาก Yt-1    เสมอ เรียกว่า Autoregressive Process (ตัวเองได้รับอิทธิพลจากตัวเองในอดีต)    ดังนั้นสมการที่ (1) จึงเขียนใหม่ได้ว่า
 
 
Yt = a + b * Xt +  r * Yt-1   +  et                         ................(3)
 
เมื่อ     ut    =    r * Yt-1   +   et                         
 
 

และถ้า Yt-1   กำหนด Xt    ตามสมการที่ (2)   ก็จะพบว่า Xt   ไม่เป็นอิสระจริง ๆ คือ ไม่ได้เป็นปัจจัยภายนอกแบบเพียว ๆ แต่ถูกกำหนดจาก  ut   เพราะมี Yt-1    อยู่ใน ut



 
ในทางเทคนิค   เมื่อ    ~ [ Cov ( Xt  , Yt-1) = 0 ]    คือ   ถ้า     Xt   กับ Yt-1   มีความสัมพันธ์กัน

 
แล้ว   ~ [ Cov ( Xt  , ut) = 0 ]    คือ    Xt   กับ u  มีความสัมพันธ์กัน


 
ซึ่งก็เป็นนิยามของปัญหา Endogeneity    นั่นเอง
 
 




ผลของปัญหา Endogeneity 
 
ผลของปัญหา Endogeneity คือ สูตร (X?X)-1 (X?Y) = b    ซึ่งใช้ในการรันรีเกรสชันแบบ OLS จะไม่มีคุณสมบัติ BLUE (Best Linear Unbiased Estimator) แปลได้ง่าย ๆ ว่า  เชื่อถือไม่ได้      หรือกล่าวได้ว่า ผลการรันแบบจำลองจะไม่น่าเชื่อถือและเอาไปใช้อ้างอิงไม่ได้
 
 


ทางแก้ไข
 

วิธีที่ 1:   หลีกเลี่ยงปัญหาโดยการเปลี่ยนตัวแปรอิสระใหม่  

คือ เลือกตัวแปร  X  ที่เป็นอิสระจริง ๆ หมายความว่า เป็นปัจจัยภายนอกจริง ๆ   เช่น   เพศ อายุ   รายได้ในอดีต    คือ เป็นอะไรที่ยากที่ตัวแปร Y จะมามีอิทธิพลได้
 


วิธีที่ 2:   ใช้แบบจำลองที่ช่วยแก้ปัญหาได้ เช่น 
  • Instrumental Variable Regression (IV regression) สำหรับแบบจำลองที่มีค่า Y เป็นค่าต่อเนื่อง

  • Bivariate Probit สำหรับแบบจำลองที่มีค่า Y สองค่า เช่น 0 กับ 1
 
 




 
 
 

เกี่ยวกับลิขสิทธิ์เนื้อหาในเว็บไซต์ิ์

ผู้เขียนไม่หวงห้ามที่ท่านจะคัดลอกบทความ บนเว็บไซต์นี้ไปใช้ในรายงานของท่าน  

แต่ขอความกรุณาเพื่อนนักวิชาการ เพื่อนผู้ทำเว็ปไซต์ 
น้อง ๆ นักเรียน นักศึกษา ทุกท่าน 
ได้โปรดเขียนอ้างอิงในรายงานของท่านตามหลักสากล

การไม่เขียนอ้างอิงดังกล่าวถือว่าละเมิดลิขสิทธิ์
และมีความผิดตามกฎหมาย  
 
 ขอขอบคุณทุกท่านมากครับ