Wann sind Kovariaten wichtig? Und welche, und wie stark?

Autoren fügen Kovariaten einem Basismodell oft nacheinander hinzu, entweder um die „Robustheit“ eines bestimmten Koeffizienten zu testen oder um die „Effekte“ der Aufnahme von Kovariaten auf diesen Koeffizienten zu berücksichtigen. Dies ist problematisch aufgrund der Reihenfolgesensitivität, wenn die hinzugefügten Kovariaten miteinander korreliert sind. Mithilfe der Formel für den ausgelassenen Variablen-Bias konstruiere ich eine bedingte Zerlegung, die die Rolle verschiedener Kovariaten bei der Verschiebung der Koeffizienten der Basisregressoren berücksichtigt. Ich biete auch eine konsistente Kovarianzformel an. Ich veranschauliche diese bedingte Zerlegung mit NLSY-Daten in einer Anwendung, die Reihenfolgesensitivität zeigt. Verwandte Erweiterungen umfassen instrumentelle Variablen, die Tatsache, dass meine Zerlegung die Oaxaca-Blinder-Zerlegung einschließt, und ein Hausman-Test-Ergebnis.