Introdução
Meu interesse pelo assunto agora é de cerca de 7 anos e resultou em tese de doutorado. Séries temporais: agregação, desagregação e memória longa , onde foi prestada atenção a uma questão específica de problema de desagregação transversal para o esquema AR (1).
Dados
Trabalhando com diferentes abordagens de agregação, a primeira pergunta que você precisa esclarecer é com que tipo de dados você lida (meu palpite é espacial, o mais emocionante). Na prática, você pode considerar a agregação temporal (ver Silvestrini, A. e Veridas, D. (2008) ), transversal (adorei o artigo de Granger, CWJ (1990) ) ou o tempo e o espaço (a agregação espacial é bem pesquisada dentro Giacomini, R. e Granger, CWJ (2004) ).
Respostas (longas)
Agora, respondendo suas perguntas, coloquei uma intuição aproximada em primeiro lugar. Como os problemas que encontro na prática são frequentemente baseados em dados inexatos (a suposição de Andy
você pode medir uma série temporal de observações em qualquer nível de precisão no tempo
parece forte demais para a macroeconomia, mas boa para a área financeira e microeconométrica ou qualquer campo experimental, você controla muito bem a precisão) Eu tenho que ter em mente que minhas séries temporais mensais são menos precisas do que quando trabalho com dados anuais. Além de séries temporais mais frequentes, pelo menos em macroeconomia têm padrões sazonais , que podem levar a espúriaresultados (partes sazonais não se correlacionam com as séries), portanto, é necessário ajustar sazonalmente seus dados - outra fonte de menor precisão para dados de maior frequência. Trabalhar com dados transversais revelou que um alto nível de desagregação traz mais problemas, provavelmente com muitos zeros para lidar. Por exemplo, uma família em particular no painel de dados pode comprar um carro uma vez a cada 5 a 10 anos, mas a demanda agregada por carros novos (usados) é muito mais suave (mesmo para uma pequena cidade ou região).
A agregação de pontos mais fracos sempre resulta na perda de informações, você pode ter o PIB produzido pela seção transversal dos países da UE durante toda a década (por exemplo, período de 2001 a 2010), mas perderá todos os recursos dinâmicos que podem estar presentes em sua análise, considerando o conjunto de dados do painel detalhado. A agregação transversal em larga escala pode se tornar ainda mais interessante: você, grosso modo, pega coisas simples (memória curta AR (1)) calcula a média delas em uma população bastante grande e obtém um agente de memória longa "representativo" que não se assemelha a nenhum dos micro unidades (mais uma pedra para o conceito do agente representativo). Portanto, agregação ~ perda de informação ~ propriedades diferentes dos objetos e você gostaria de assumir o controle sobre o nível dessa perda e / ou novas propriedades. Na minha opinião, é melhor ter dados precisos de nível micro com a maior frequência possível, mas ...
Tecnicamente, produzindo qualquer análise de regressão, você precisa de mais espaço (graus de liberdade) para estar mais ou menos confiante de que (pelo menos) estatisticamente seus resultados não são lixo eletrônico, embora ainda possam ser teóricos e lixo eletrônico :) pesos para as perguntas 1 e 2 (geralmente escolha dados trimestrais para a macroanálise). Respondendo à 3ª sub-pergunta, tudo o que você decide em aplicações práticas o que é mais importante para você: dados mais precisos ou graus de liberdade. Se você levar em conta a suposição mencionada, é preferível usar dados mais detalhados (ou com frequência mais alta).
Provavelmente a resposta será editada depois de algum tipo de discussão, se houver.