Cohort analysis is a set of statist

Cohort analysis is a set of statistical techniques that can be used to disentangle age,
cohort, and period effects. To conduct such an analysis, one needs comparable
repeated cross-sectional data gathered numerous times at regular intervals. Age
effects are changes observed in specific groups as they age; period effects (indexed
by date of measurement) are changes due to events that influence the behavior of all
age groups; cohort effects (indexed by year of birth) refer to the long-term impact of
events on people born in different periods and do not change with one’s age or stage
of life (Glenn 2005).
However, there arises a major statistical problem, as there is a perfect colinearity
between the three variables: by definition age = period − cohort. In a regression
approach, the matrix of explanatory variables does not have full rank, and the
ordinary least-squares estimate cannot be computed because the same predicted
values (and errors) may be obtained by different combinations of the age, period,
and cohort coefficients.
One solution omits one explanatory variable: age, period, or cohort. However,
such an omission creates a specification error so that the estimates of the coefficients
of the remaining variables are biased and not convergent. Another solution imposes
a priori constraints on specific coefficients, e.g., that consumers belonging to two
neighboring cohorts have identical coefficients. The problem here is that the
estimated results may vary widely depending on which constraints are imposed. A
third approach substitutes additional information, but it is often difficult to obtain
good a priori information. If, for example, cohort is replaced with a measured
variable such as cohort education, it can be unclear whether the right variable for
cohort has been substituted. Finally, current research is exploring the possibility of
combining a priori information (e.g., information indicating that period effects
should be negligible) and a partial least squares (PLS) estimation approach to obtain
precise estimates that are not entirely data-driven. An interesting aspect of PLS is the
possibility of analyzing at the same time multiple dependent variables, such as repeat
purchase and type of brand purchased.
5 Future

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์การศึกษาคือชุดของเทคนิคทางสถิติที่สามารถนำมาใช้เพื่อคลี่คลายอายุ
การศึกษาและผลกระทบระยะเวลา เพื่อดำเนินการเช่นการวิเคราะห์หนึ่งต้องเทียบเคียง
ซ้ำข้อมูลภาคตัดขวางรวบรวมหลายครั้งหลายคราในช่วงเวลาปกติ อายุ
ผลกระทบการเปลี่ยนแปลงที่สังเกตได้ในเฉพาะกลุ่มที่พวกเขาอายุ; ผลกระทบงวด (จัดทำดัชนี
ตามวันที่ของการวัด) จะมีการเปลี่ยนแปลงอันเนื่องมาจากเหตุการณ์ที่มีอิทธิพลต่อพฤติกรรมของทุก
กลุ่มอายุ; ผลกระทบการศึกษา (ดัชนีโดยปีเกิด) หมายถึงผลกระทบในระยะยาวของ
เหตุการณ์ที่เกิดขึ้นในคนที่เกิดในช่วงเวลาที่แตกต่างกันและไม่ได้เปลี่ยนตามอายุของคน ๆ หนึ่งหรือขั้นตอน
ของชีวิต (เกล็น 2005).
แต่มีเกิดขึ้นเป็นปัญหาทางสถิติที่สำคัญเช่น มี colinearity ที่สมบูรณ์แบบ
ระหว่างสามตัวแปรตามอายุการกำหนดงวด = - การศึกษา ในการถดถอย
วิธีเมทริกซ์ของตัวแปรที่อธิบายไม่ได้มียศเต็มรูปแบบและ
กำลังสองน้อยที่สุดสามัญประมาณการไม่สามารถคำนวณได้เนื่องจากเดียวกันคาดการณ์
ค่า (และข้อผิดพลาด) อาจจะได้รับจากการรวมกันของอายุ, ระยะเวลา
และค่าสัมประสิทธิ์การศึกษา .
ทางออกหนึ่งละเว้นตัวแปรอธิบายหนึ่งอายุระยะเวลาหรือการศึกษา อย่างไรก็ตาม
เช่นละเลยสร้างข้อผิดพลาดข้อมูลเพื่อให้ประมาณการของสัมประสิทธิ์
ของตัวแปรที่เหลือจะลำเอียงและไม่บรรจบกัน ทางออกก็กำหนด
ข้อ จำกัด ความสัมพันธ์ระหว่างค่าสัมประสิทธิ์ที่เฉพาะเจาะจงเช่นการที่ผู้บริโภคที่อยู่ในประเภทสอง
ผองเพื่อนที่อยู่ใกล้เคียงมีค่าสัมประสิทธิ์เหมือนกัน ปัญหาที่นี่คือ
ผลที่คาดว่าอาจจะแตกต่างกันขึ้นอยู่กับข้อ จำกัด ที่กำหนด
วิธีที่สามทดแทนข้อมูลเพิ่มเติม แต่ก็มักจะเป็นเรื่องยากที่จะได้รับ
ข้อมูลที่ดีเบื้องต้น หากยกตัวอย่างเช่นการศึกษาจะถูกแทนที่ด้วยวัด
ตัวแปรเช่นการศึกษาการศึกษาก็สามารถไม่มีความชัดเจนว่าตัวแปรที่เหมาะสมสำหรับ
การศึกษาได้รับการทดแทน ในที่สุดการวิจัยในปัจจุบันคือการสำรวจความเป็นไปได้ของ
การรวมข้อมูลเบื้องต้น (เช่นข้อมูลแสดงให้เห็นผลกระทบในช่วงเวลาที่
ควรจะเล็กน้อย) และกำลังสองน้อยบางส่วน (PLS) วิธีการประมาณค่าที่จะได้รับ
ประมาณการที่แม่นยำที่ไม่ได้ทั้งหมดที่ขับเคลื่อนด้วยข้อมูล แง่มุมที่น่าสนใจของ PLS เป็น
ไปได้ของการวิเคราะห์ในเวลาเดียวกันขึ้นอยู่กับตัวแปรหลายอย่างเช่นการทำซ้ำ
การซื้อและชนิดของแบรนด์ที่ซื้อ.
5 ในอนาคต

ผลลัพธ์ (ไทย) 3:

การวิเคราะห์หมู่คนเป็นชุดของเทคนิคทางสถิติที่สามารถใช้เพื่อคลายอายุ
หรือไม่ และผลกระทบต่อระยะเวลา เพื่อดำเนินการเช่นการวิเคราะห์ , หนึ่งต้องเปรียบเทียบข้อมูลภาคตัดขวางกัน
ซ้ำหลายครั้งในช่วงเวลาปกติ ผลอายุ
การเปลี่ยนแปลงที่พบในเฉพาะกลุ่มเช่นที่พวกเขาอายุ ผลจุด ( ดัชนี
เมื่อวันที่วัด ) มีการเปลี่ยนแปลงเนื่องจากเหตุการณ์ที่มีอิทธิพลต่อพฤติกรรมของทุกกลุ่มอายุ
; การติดตามผล ( ดัชนีตามปีเกิด ) อ้างถึงผลกระทบระยะยาวของ
เหตุการณ์ในคนที่เกิดในช่วงเวลาที่แตกต่างกัน และเปลี่ยนกับคน ๆ หนึ่ง หรืออายุระหว่างช่วงของชีวิต ( เกลน 2548 )
.
แต่ มีเกิดขึ้นเป็นหลักสถิติ ปัญหา เช่น มีสมบูรณ์แบบ colinearity
ระหว่าง 3 ตัวแปร ได้แก่โดยนิยามอายุ = −ตั้งแต่ช่วง ในสมการถดถอย
วิธีเมทริกซ์ของตัวแปรที่อธิบายไม่ได้ เต็ม ยศ และวิธีธรรมดาไม่สามารถคำนวณค่า

เพราะเดียวกันทำนายค่า ( และข้อผิดพลาด ) อาจจะได้รับโดยการรวมที่แตกต่างกันของอายุ ระยะเวลา และการติดตามค่า
.
โซลูชั่นหนึ่งละเว้นหนึ่งอธิบายตัวแปร อายุ หรือ การติดตามเวลา , . อย่างไรก็ตาม
เช่นการสร้างข้อผิดพลาดการละสเปคเพื่อประมาณค่าสัมประสิทธิ์ของตัวแปรที่เหลืออยู่
อคติไม่บรรจบ . โซลูชั่นอื่นเรียก
a priori ข้อจำกัดเฉพาะแบบ เช่น ผู้บริโภคของ cohorts มีเพื่อนบ้าน 2
2 เหมือนกัน ปัญหาที่นี่คือ
คาดว่า ผลลัพธ์อาจแตกต่างกันอย่างกว้างขวางขึ้นอยู่กับข้อ จำกัด ที่กำหนด . a
วิธีที่สามทดแทนข้อมูลเพิ่มเติม แต่มันมักจะยากที่จะได้รับ
ดีระหว่างข้อมูล ตัวอย่างเช่นถ้าติดตามจะถูกแทนที่ ด้วยวัด
ตัวแปรเช่นติดตามการศึกษาก็จะชัดเจนว่าตัวแปรที่เหมาะสมสำหรับ
ติดตามได้ทดแทน ในที่สุดงานวิจัยในปัจจุบันคือการสำรวจความเป็นไปได้ของ
รวม priori ข้อมูล ( ข้อมูลระบุว่าระยะเวลาผล
ควรจะเล็กน้อยเช่น ) และบางส่วนของกำลังสองน้อยที่สุด ( PLS ) การประเมินเพื่อขอรับ
ประมาณการที่แม่นยำที่ไม่ทั้งหมด - . แง่มุมที่น่าสนใจของกรุณาเป็น
ความเป็นไปได้ของการวิเคราะห์ในเวลาเดียวกันหลายๆ ตัวแปรตาม เช่น ขอย้ำ
ซื้อและชนิดของแบรนด์ซื้อ .
5 ในอนาคต