패널데이터 분석에서 개체와 시간을 변동하기 위한 TwoWay Fixed Effect, Interactive Fixed Effects

패널데이터 분석에서 개체와 시간을 변동하기 위한 TwoWay Fixed Effect, Interactive Fixed Effects
Photo by Richard Horvath / Unsplash

Two-Way Fixed Effects

Definition

  • 두 가지 고정 효과(Two-Way Fixed Effects) 모델은 패널 데이터 분석에서 개체와 시간에 대한 변동을 모두 통제하는 방법입니다.
  • 이는 개체와 시간의 고정 효과를 모두 포함하여, 분석 대상 변수의 변동을 설명합니다.

Motivation

  • 이 모델은 개체와 시간에 따른 변동을 모두 통제하여 더 정확한 분석을 가능하게 하기 위해 등장했습니다.
  • 이는 특히 패널 데이터에서 개체 간의 고정된 특성과 시간에 따른 변화를 동시에 고려할 수 있습니다.

Pros

  1. 이질성 통제: 개체와 시간에 따른 변동을 모두 통제할 수 있습니다.
  2. 편향 감소: 두 차원의 고정 효과를 고려하여 모델의 편향을 줄일 수 있습니다.
  3. 적용 범위 넓음: 다양한 분야에서 사용될 수 있습니다.

Cons

  1. 복잡성 증가: 모델이 복잡해질 수 있습니다.
  2. 추가 데이터 필요: 더 많은 데이터가 필요합니다.
  3. 상호작용 효과 무시: 개체와 시간의 상호작용 효과를 고려하지 않습니다.

상호작용 고정 효과 (Interactive Fixed Effects)

Definition

  • 상호작용 고정 효과(Interactive Fixed Effects) 모델은 패널 데이터 분석에서 개체와 시간의 상호작용을 고려한 방법입니다.
  • 이는 두 차원의 고정 효과 외에도, 상호작용 효과를 모델링하여 복잡한 이질성을 통제합니다.

Motivation

  • 이 모델은 개체와 시간 간의 상호작용이 중요한 경우 사용됩니다. 두 차원의 복잡한 이질성을 통제하고자 할 때 유용합니다.

Pros

  1. 상호작용 효과 반영: 상호작용을 고려할 수 있습니다.
  2. 더 나은 모델링: 복잡한 이질성을 더 잘 모델링할 수 있습니다.
  3. 편향 감소: 상호작용 효과를 고려하여 모델의 편향을 줄일 수 있습니다.

Cons

  1. 복잡성 증가: 모델이 더욱 복잡해집니다.
  2. 계산 비용 증가: 더 많은 계산이 필요합니다.
  3. 추가 데이터 필요: 상호작용을 추정하기 위해 더 많은 데이터가 필요합니다.

Alternatives

  1. Random Effects 모델: 고정 효과 대신 랜덤 효과를 사용하여 개체 간의 변동을 모델링합니다.
  2. Hierarchical Linear 모델: 계층적 구조를 고려하여 변동을 모델링합니다.
  3. Difference-in-Differences: 두 그룹 간의 차이를 비교하여 정책 효과를 추정합니다.

샘플 코드

  • C(campaign)는 범주형 변수로서 각 캠페인에 대한 고유한 효과를 모델에 포함하는 역할
import numpy as np
import pandas as pd
import statsmodels.api as sm
import statsmodels.formula.api as smf

# 데이터 생성
np.random.seed(42)
n_campaigns = 10  # 캠페인 수
t_weeks = 12      # 주 수
df = pd.DataFrame({
    'campaign': np.repeat(np.arange(n_campaigns), t_weeks),
    'week': np.tile(np.arange(t_weeks), n_campaigns),
    'spend': np.random.rand(n_campaigns * t_weeks) * 1000  # 광고비 지출
})

# 캠페인 및 시간 고정 효과 추가
df['campaign_effect'] = np.repeat(np.random.randn(n_campaigns), t_weeks)
df['week_effect'] = np.tile(np.random.randn(t_weeks), n_campaigns)
df['sales'] = 100 + df['campaign_effect'] + df['week_effect'] + 0.5 * df['spend'] + np.random.randn(n_campaigns * t_weeks) * 10

print(df.head())

# Two-Way Fixed Effects 모델 적합
model = smf.ols('sales ~ spend + C(campaign) + C(week)', data=df).fit() print(model.summary())

# 상호작용 항 추가
df['interaction'] = df['campaign'] * df['week']

# Interactive Fixed Effects 모델 적합
model_interactive = smf.ols('sales ~ spend + C(campaign) + C(week) + interaction', data=df).fit()
print(model_interactive.summary())

Read more

[책]Reshuffle: Who wins when AI restacks the knowledge economy

[책]Reshuffle: Who wins when AI restacks the knowledge economy

원래는 Amazon에 가서 Personal Knowledge Managment에 관한 책을 사려고 했다. Sketch Your Mind라는 책이었는데, 그 때 이 책 “Reshuffle”을 발견하였다. AI가 어떻게 Knowledge Economy를 흔들 것가? 라는 부제를 훑어보면서 저자가 쓴 다른 책을 보게 되었는데 거기에 내가 좋아했던 책을쓴 저자라는 것을 알게 되었다. 그래서 크게 고민하지 않고 구매를 하고

By Bongho, Lee
[책]올라운드투자, 누군가의 투자일기

[책]올라운드투자, 누군가의 투자일기

“올라운드 투자”라는 제목을 보았을 때는, “올라운드 플레이어”가 생각이 났다. “올라운드”라는 표현을 오랜만에 들어본 까닭이었다. 그럼에도 불구하고 이 책을 고른 것은 저자가 그간 보여준 컨텐츠에 대한 신뢰가 있던 까닭이었다. 컨텐츠를 다양하게 보는 편이지만 깊이가 아주 있지는 않았다. 여기서 깊이라 함은 기존 전문적인 정량적 분석의 내용의 수준을 말하는 것이다.

By Bongho, Lee
내가 놓치고 있던 미래, 먼저 온 미래를 읽고

내가 놓치고 있던 미래, 먼저 온 미래를 읽고

장강명 작가의 책은, 유학시절 읽고 처음이었다. 유학시절 "한국이 싫어서"라는 책은 동기부여가 상당히 되는 책이었다. 한국을 떠나 새로운 정채성을 학생으로서 Build up 해나가고 있던 상황에서 이 책은 제목부터 꽤 솔깃하였다. 물론 결말이 기억날 정도로 인상깊은 책은 아니었지만 말이다. 그렇게 시간이 흘러 장강명 작가의 책은 더 이상 읽지 않던

By Bongho, Lee