样本容量是否越大越好？
首先，我认为你老师的说法是欠考虑的。
样本容量是否越大越好？对！为什么？大样本渐进理论（asymptotictheory）它是现代计量经济学的基石。你相信这些理论并使用它们，然后你故意拒绝大样本？这不是你自己的脸吗？
有些答案给了一些大牛的文章片段，写得很好！他们说话很圆，没有问题。他们无一例外地讲述了一个事实。在实践中，我们使用更大的样本可能会遇到一些问题和麻烦。有什么问题和麻烦？理论上，它不应该显著。更大的样本变得显著，这使得作者难以解释，但不容忽视。仅此而已。这些大牛并没有说要故意避免使用更大的样本！
作为一名计量从业者，你必须有职业道德。很难解释，但你不能忽视它。这并不意味着你必须找到一个更小的样本来实现你的目标（为了不显著而不显著吗？），你说得更好cherrypicking，说难听点叫学术不端。
然后回到这个问题，不要拉得太远。如果更大的样本变得怎么办？你觉得不应该是这样！很多人都有这样的经历，我自己也有。原则上应该使用更大的样本。
首先，你必须考虑大样本带来了什么？让我们考虑一下size样本越大(即第一类错误的概率)power也就是说，犯第二类错误的概率越小。因此，你的理论很可能是错误的，但实际上应该是显而易见的。这样的例子文献太多了。经济理论是这样的，但现实社会是这样的。计量经济学的意义在于揭示真相。
其次，你考虑过吗？correct你的size？不用说，绝大多数的回归及其test不是鲁棒。几乎肯定的是，你会先看那些默认的软件包。p值，那些是简单的tratio，渐进卡方分布。样本越大power越大是对的，但指的是修正size结论的前提。你应该纠正你test的size，因为你在小样本的时候得到的不明显，可能是冤案(其实小样本的时候应该是明显的，但是因为小样本的时候size不，所以觉得不显眼)！
也可能是因为你的模型太简单了。俗话说，所有的模型都是错误的，但有些是非常有用的。你建立的线性模型不现实，太过分naive，没有捕捉到一些重要的特征。例如，您的模型不考虑异方差，异方差会带来什么？让它不显著（或反过来）。或者简单地说，你没有考虑一些特殊的事件，比如regimeswitching或者一些特殊事件，在这种情况下，你的模型无法解释许多巨大的事件outliers，而这些outliers它会带来显著性。因此，你应该深入了解你的模型，看看你的数据，你必须探索为什么它从不显著到显著，有些outliers是否可以删除，是否应该考虑从线性模型到非线性模型，是否应该考虑异方差使您standarderror更鲁棒？等等，这就是老板们在文献中写作的麻烦。是的，样本很大，变得明显，理论上不能解释啊，你必须深入研究数据和历史，探索为什么不明显，这是非常困难的，不一定得到答案。当然，你可以选择不改变模型，继续使用简单的模型，但使用更小的样本，并提供合理的理由，例如，我们的文章写的是XXX，我们有很多数据，但我们有针对性地删除它COVID时期的数据，因为众所周知的原因，那些数据不具有参考性云云。这不算学术不端，而是非常有针对性的表现。
一些老板在文献中提出减少size，比如从5%到1%。这是一个很好的方法，很有道理，我个人同意。为什么？size作为第一类错误，5%其实是一个很大的概率，很有可能造成冤案。我指的是纠正size在前提下。显著的大样本也可能是一个冤案。为什么我们不能把它放在小样本下？size改成1%真的不合适，因为小样本下power可能有点低，低到第二类错误频繁出现，所以size不能低。但是样本足够大。一般来说，power你的样本增加了一倍，很可能是你的size降到1%power都比你的小样本5%size的power都很高。所以这是一个很好的解决方案。
综上所述，你不能因为一些不可告人的原因故意避免使用更大的样本。作为一项合格的高质量研究，你必须知道为什么你的数据不是显著的、显著的或显著的，因为理论和实践的结合？还是理论说，事实并非如此？或者，理论应该是正确的，但你所做的与理论不一致，因为其他原因，你能纠正你的模型和方法吗？修正后的结果是什么？如果不能纠正，为什么不呢？
反对某些人的关系「样本越大，估计你的参数几乎不可能不显著」你是认真的吗？做这个蒙特卡洛
y_i=c e_i
然后再抽一个和以上独立的x_i。大部分样本都没用。显著的概率越来越接近size。不要打破任何蒙特卡洛是真的，但实际数据。看看上面，你努力工作了吗？
研究人员发现了95862195张原始计量经济学样本容量设计图片，包括计量经济学样本容量图片、材料、海报、证书背景、源文件PSD、PNG、JPG、AI、CDR等格式素材！
毕业证样本网创作《测量经济学样本容量(在计量经济学中，样本容量越大越好吗？》发布不易，请尊重! 转转请注明出处：https://www.czyyhgd.com/180946.html
