Variável endógena O que é uma variável endógena Uma variável endógena é uma classificação de uma variável gerada por um modelo estatístico que é explicada pelas relações entre funções dentro do modelo. Por exemplo, o preço de equilíbrio de um bem em um modelo de oferta e demanda é endógeno porque é definido por um produtor em resposta à demanda do consumidor. É o oposto de uma variável exógena. Variação Endógena As variáveis endógenas são importantes na econometria e na modelagem econômica porque mostram se uma variável causa um efeito particular. Os economistas empregam modelagem causal para explicar os resultados, ou variáveis dependentes, com base em uma variedade de fatores, ou variáveis independentes, e para determinar até que ponto um resultado pode ser atribuído a uma causa endógena ou exógena. As variáveis endógenas têm valores que se deslocam como parte de uma relação funcional entre outras variáveis dentro do modelo. Esta relação é também referida como dependente e é vista como previsível na natureza. Geralmente, as variáveis se correlacionam de tal maneira, onde o movimento geral de um pode produzir um resultado particular no outro, embora não necessariamente na mesma direção, uma vez que o aumento de uma variável pode causar uma queda em outra. Enquanto a mudança está correlacionando, é considerada endógena. Fora da economia, outros campos também usam modelos com variáveis endógenas. Estes podem incluir o campo da meteorologia e certos aspectos da agricultura. Em certos casos, a relação é apenas endógena em uma direção. Por exemplo, enquanto o clima agradável pode levar a maiores quantidades de turismo, maiores quantidades de turismo não afetam o clima. Exemplos de Variáveis Endógenas Se um modelo está examinando a relação entre o tempo de deslocamento dos funcionários eo consumo de combustível, à medida que o tempo de deslocamento aumenta dentro do modelo, o consumo de combustível também geralmente aumenta. Isto é devido ao fato de mais tempo um comutação de pessoas tende a ser, mais combustível que leva para chegar ao seu destino, como um comboio de 30 milhas que exigem mais de uma viagem de 20 milhas. Outros relacionamentos que podem ser endógenos na natureza incluem a renda pessoal para consumo pessoal, chuva e crescimento de plantas, ou educação obtida e os níveis de renda futura. Variáveis endógenas vs. exógenas Ao contrário das variáveis endógenas, as variáveis exógenas são consideradas independentes. Isso significa que uma variável dentro da fórmula não ditar, ou diretamente correlacionar, a uma mudança na outra. Variáveis exógenas não têm relação direta ou fórmulas, tais como renda pessoal e preferência de cores, preços de chuva e gás, ou educação obtida e flor favorito. Can um modelo de regressão com um R-quadrado pequeno ser útil R é uma estatística tão bonita, isn8217t it Ao contrário de tantos outros, faz sentido a porcentagem de variação em Y explicada por um modelo. Quero dizer, você pode realmente entender isso. Assim pode sua avó. E o público-alvo que está escrevendo o relatório. Um R grande é sempre bom e um pequeno é sempre ruim, à direita, eu vi um monte de gente ficar chateado com pequenos valores de R, ou qualquer pequeno tamanho de efeito. Para essa matéria. Recentemente ouvi um comentário que nenhum modelo de regressão com um R menor do que .7 deve mesmo ser interpretado. Agora, pode haver um contexto em que essa regra faz sentido, mas como regra geral, não. Só porque o tamanho do efeito é pequeno não significa que ele é mau, indigno de ser interpretado ou inútil. It8217s apenas pequeno. Mesmo tamanhos de efeito pequeno podem ter significado científico ou clínico. Depende do seu campo. Por exemplo, numa dissertação que eu ajudei um cliente com muitos anos atrás, a questão da pesquisa era sobre se a religiosidade prediz a saúde física. (Se você esteve em algum de meus workshops, você reconhecerá este exemplo como um grande conjunto de dados. O modelo usou freqüência de freqüência religiosa como um indicador de religiosidade, e incluiu algumas variáveis de controle pessoal e demográfico, incluindo gênero, status de pobreza e depressão Níveis e alguns outros. O modelo R foi de cerca de 0,04, embora o modelo foi significativo. Es fácil de descartar o modelo como sendo inútil. Você está apenas explicando 4 da variação Por que se preocupar Mas pense sobre isso. Se você pensar sobre todos Das coisas que podem afetar a saúde de alguém, você realmente espera que o comparecimento religioso seja um grande contribuinte. Embora eu não seja um pesquisador de saúde, posso pensar em algumas variáveis que eu esperaria ser muito melhores preditores de saúde. Idade, história da doença, níveis de estresse, história familiar de doença, condições de trabalho. E colocar todos eles no modelo seria realmente dar melhores valores previstos. Se o único ponto do modelo era a previsão, o meu modelo de cliente faria um trabalho muito ruim . (Talvez o comentário 70 veio de alguém que só executa modelos de previsão). Mas não foi. O ponto era ver se havia um relacionamento pequeno, mas de confiança. E havia. Fazer pequenos tamanhos de efeito exigem amostras maiores para encontrar o significado Certo. Mas este conjunto de dados tinha mais de 5000 pessoas. Não é um problema. Muitos pesquisadores voltaram-se para o uso de tamanhos de efeito porque avaliar os efeitos usando p-valores sozinhos pode ser enganoso. Mas os tamanhos de efeito também podem ser enganadores se você não pensar sobre o que eles significam dentro do contexto da pesquisa. Às vezes, ser capaz de melhorar facilmente um resultado de 4 é clinicamente ou cientificamente importante. Às vezes não é nem perto o suficiente. Às vezes depende de quanto tempo, esforço ou dinheiro seria necessário para obter uma melhoria de 4. Tanto quanto nós adoramos ter respostas diretas para o que é grande o suficiente, isso não é o trabalho de qualquer estatística. Tens de pensar nisso e interpretar de acordo. Precisa de algum treinamento estatístico que se adapte à sua agenda ocupada Dê uma olhada em nossos On Demand Online Workshops. Nossos workshops On Demand estão disponíveis 24/7 de onde você tem um computador e uma conexão com a Internet. Isso é verdade em quase todas as estatísticas. Mesmo regras rígidas como plt.05 indicando significância estatística aren039t realmente difícil. Então sim, a experiência sempre ajuda, especialmente na compreensão de suas variáveis e pesquisa. Mas parar e pensar nisso ajuda em qualquer nível de experiência. O contra-argumento a esta posição é que se você acredita que a religiosidade é apenas um pequeno pedaço do quebra-cabeça, seu modelo deve incluir um monte de coisas que você acha que são mais importantes como controles e verificar se o modelo mais amplo com religiosidade incluído é um Melhor do que aquele com apenas os grandes preditores. Caso contrário, você poderia estar atribuindo outro preditor de saúde à religiosidade (por exemplo, a saúde hereditária é provavelmente um grande preditor, e pode ser que as pessoas com pais insalubres tenham maior probabilidade de buscar uma comunidade religiosa também). Um modelo que só melhora em pequenas quantidades pode ainda ser útil (digamos, indo de .7 para .74), mas um modelo que, na sua totalidade, só produz um R-sq de .04 I8217d preocupado que eu haven8217t mesmo começou a Adequadamente o relacionamento. Concordo (fortemente) com o ponto sobre a interpretação do resultado dentro do contexto em que a pesquisa está sendo conduzida, no entanto. Sim, vejo o seu ponto. Concordo, it8217s sempre ideal para ter mais da variação explicada. E para um resultado geralmente bem compreendido para a população estudada, há uma maior expectativa de ser capaz de explicar a maior parte da variação. Você está absolutamente certo de que seria melhor modelar essa hipótese como uma variação adicional explicada, e que não incluir os controles significa que você poderia estar confundindo relacionamentos. No entanto, existem algumas variáveis de resultado (muitas em sociologia, por exemplo) para amplas populações que apenas nunca foram explicadas. Assim, não é uma questão de outra variável ser deixada de fora de um modelo, mas sim tantas variáveis concorrentes, cada uma com um efeito minúsculo que você pode incluir todas ou apenas aleatoriedade. (E eu percebo que estes são muitas vezes a mesma coisa). Agora é possível argumentar que a saúde física não é uma dessas, e admito que é possível. Mas é possível que seja em determinadas populações. Por exemplo, você pode ser capaz de controlar para 70 da variação na saúde física em uma população clínica, mas não em uma população nacional. Isso também é verdade em situações mais exploratórias. Se um resultado é uma nova construção que não é bem conhecida, é provável que os dados tenham sido coletados em todos os controles possíveis. Neste caso, é muito possível que um efeito de algo como religiosidade será mais tarde explicado em outro estudo. Mas esse fato é interessante, pois pensamos que tínhamos o resultado explicado por X. Se nunca relatarmos o primeiro pequeno efeito porque estamos esperando um modelo que explique tudo, talvez nunca saibamos o que precisa ser construído no modelo. Novamente, é o contexto. Existe uma maneira de quantificar o 8216context8217 em que se tem de interpretar R2 I8217m não exatamente certo que você entende por quantificar o contexto, mas eu acho que a resposta é 8216no.8217 It8217s realmente sobre parar e pensar sobre o que você realmente tem informações. Perspectivas Críticas do Desenvolvimento Sustentável Pesquisa e Prática Institucionalizar a sustentabilidade: um estudo empírico sobre registro corporativo e compromisso com as diretrizes do Global Compact das Nações Unidas Luis A. Pérez-Batres Van V. Miller. Michael J. Pisani Departamento de Administração, Universidade Central de Michigan, Mount Pleasant, MI, EUA Recebido em 12 de novembro de 2009. Revisado em 26 de maio de 2018. Aceito em 7 de junho de 2018. Disponível em linha 15 de junho de 2018. Explorando as teorias institucionais e de partes interessadas, Mecanismos de institucionalização e sua influência nas iniciativas de Desenvolvimento Sustentável. Para testar nossos argumentos, estudamos os padrões de registro de 394 grandes corporações de 12 países da Europa Ocidental e da América Latina para o Pacto Global das Nações Unidas. Os resultados indicam que os mecanismos normativos e miméticos de institucionalização (isto é, academia e influência de pares) são melhores indicadores de iniciativas de Desenvolvimento Sustentável do que coercitivas (isto é, regulação governamental). As implicações desses resultados são conseqüentes se as práticas de SD continuarem como uma escolha ética, e não uma obrigação obrigatória, para os tomadores de decisão corporativos. Desenvolvimento sustentável Pacto Global das Nações Unidas Institucionalização Intervenientes Acadêmicos ONG Tabela 1. Fig. 2. A fig. 3. A fig. 4.
No comments:
Post a Comment