R -, Plm-und lm - Fixed effects

Habe ich eine ausgeglichene panel-Datensatz, df, das im wesentlichen besteht aus drei Variablen, Eine, B und Y, dass im Laufe der Zeit variieren für eine Reihe von eindeutig identifizierten Regionen. Ich würde gerne eine regression beinhaltet sowohl die regionale (region in der Gleichung unten) und Zeit (Jahr) fixe Effekte. Wenn ich mich nicht Irre, kann ich erreichen dies auf unterschiedliche Weise:

lm(Y ~ A + B + factor(region) + factor(year), data = df)

oder

library(plm)
plm(Y ~ A + B, 
    data = df, index = c('region', 'year'), model = 'within',
    effect = 'twoways')

In der zweiten Gleichung, die ich angeben Indizes (region und Jahr), der Modell-Typ ('innerhalb', FE), und die Natur des FE ('twoways", also ich bin auch beide-region und Zeit FE).

Trotz ich scheine, Dinge zu tun korrekt, bekomme ich sehr unterschiedliche Ergebnisse. Das problem verschwindet, wenn ich nicht überlegen Sie mal Feste-Effekte - und das argument Wirkung = 'einzelne'.
Was ist der deal hier? Bin ich etwas fehlt? Gibt es weitere R-Pakete, die es ermöglichen, ausführen die gleichen Analyse?

  • Ergebnisse für die Variablen A und B sollten gleich sein. Der lm-Ansatz (LSDV) geben Sie Schätzungen des einzelnen und Zeit fixe Effekte und ein abfangen auch.
InformationsquelleAutor Jasper | 2017-04-26
  1. 9

    Posting vielleicht ein Beispiel für deine Daten würde helfen, die Frage zu beantworten. Ich bin immer die gleiche Koeffizienten für einige aus Daten. Sie können auch felm aus dem Paket lfe zu tun die gleiche Sache:

    N <- 10000
df <- data.frame(a = rnorm(N), b = rnorm(N),
                 region = rep(1:100, each = 100), year = rep(1:100, 100))
df$y <- 2 * df$a - 1.5 * df$b + rnorm(N)


model.a <- lm(y ~ a + b + factor(year) + factor(region), data = df)
summary(model.a)
#  (Intercept)       -0.0522691  0.1422052   -0.368   0.7132    
#  a                  1.9982165  0.0101501  196.866   <2e-16 ***
#  b                 -1.4787359  0.0101666 -145.450   <2e-16 ***

library(plm)
pdf <- pdata.frame(df, index = c("region", "year"))

model.b <- plm(y ~ a + b, data = pdf, model = "within", effect = "twoways")
summary(model.b)

# Coefficients :
#    Estimate Std. Error t-value  Pr(>|t|)    
# a  1.998217   0.010150  196.87 < 2.2e-16 ***
# b -1.478736   0.010167 -145.45 < 2.2e-16 ***

library(lfe)

model.c <- felm(y ~ a + b | factor(region) + factor(year), data = df)
summary(model.c)

# Coefficients:
#   Estimate Std. Error t value Pr(>|t|)    
# a  1.99822    0.01015   196.9   <2e-16 ***
# b -1.47874    0.01017  -145.4   <2e-16 ***
    • Vielen Dank Christoph. Deine Antwort ist sehr ordentlich. Ich bin Graben weiter in der Daten-set. Ich kann nicht teilen die Daten, aber ich vermute, dass eine solche Diskrepanz hat im Zusammenhang mit dem Weg Variablen konstruiert wurden dann. Ich habe deine Antwort oben.
    • Wurde das Problem schließlich gelöst? Ich hatte ähnliche Schwierigkeiten, und ich bekomme die gleiche Koeffizienten mit lm und plm. Allerdings (nur) in den Daten-Rahmen ich verwenden mit der Funktion plm ich einfügen Faktoren anstelle von Variablen, die faktorisiert innerhalb der Funktion lm).
    InformationsquelleAutor christoph
  2. 0

    Scheint dies nicht zu sein ein Daten-Problem.

    Ich mache computer-übungen in R von Wooldridge (2012) Introductory Econometrics. Insbesondere Kapitel 14 CE.1 (Daten der Miet-Datei an: https://www.cengage.com/cgi-wadsworth/course_products_wp.pl?fid=M20b&product_isbn_issn=9781111531041)

    Ich berechnete das Modell in Differenzen (in Python)

    model_diff = smf.ols(formula='diff_lrent ~ diff_lpop + diff_lavginc + diff_pctstu', data=rental).fit()

    OLS-Regression Ergebnisse 

    ==============================================================================
Dep. Variable:             diff_lrent   R-squared:                       0.322
Model:                            OLS   Adj. R-squared:                  0.288
Method:                 Least Squares   F-statistic:                     9.510
Date:                Sun, 05 Nov 2017   Prob (F-statistic):           3.14e-05
Time:                        00:46:55   Log-Likelihood:                 65.272
No. Observations:                  64   AIC:                            -122.5
Df Residuals:                      60   BIC:                            -113.9
Df Model:                           3                                         
Covariance Type:            nonrobust                                         
================================================================================
                   coef    std err          t      P>|t|      [0.025      0.975]
--------------------------------------------------------------------------------
Intercept        0.3855      0.037     10.469      0.000       0.312       0.459
diff_lpop        0.0722      0.088      0.818      0.417      -0.104       0.249
diff_lavginc     0.3100      0.066      4.663      0.000       0.177       0.443
diff_pctstu      0.0112      0.004      2.711      0.009       0.003       0.019
==============================================================================
Omnibus:                        2.653   Durbin-Watson:                   1.655
Prob(Omnibus):                  0.265   Jarque-Bera (JB):                2.335
Skew:                           0.467   Prob(JB):                        0.311
Kurtosis:                       2.934   Cond. No.                         23.0
==============================================================================

    Nun, die PLM-Paket in R gibt, die die gleichen Ergebnisse für die first-difference-Modelle:

    Bibliothek(plm) modelfd <- plm(lrent~lpop + lavginc + pctstu,
    data=data,model = "fd")

    Kein problem so weit. Allerdings, der Feste Effekt, berichten verschiedene Schätzungen.

    modelfx <- plm(lrent~lpop + lavginc + pctstu, data=data, model =
    "innerhalb", effect="Zeit") summary(modelfx)

    Den FE-Ergebnissen nicht anders sein sollte. In der Tat, die Computer-Übung Frage ist:

    (iv) Estimate the model by fixed effects to verify that you get identical estimates and standard errors to those in part (iii).

    Mein bester Gast, ich bin miss Verständnis etwas auf dem R-Paket.

    • Soll das die Frage beantworten???
    • Hi @GhostCat. Ich denke, die Frage war nicht beantwortet, bevor Sie, und ich bin darauf hindeutet, dass dies nicht ein Daten-Problem, sondern etwas, das beständig in das Paket.
    • Dann sollten Sie mehr klar. Fast liest wie du ein "mir ähnliches problem, was nun" - Frage in der Verkleidung.
    InformationsquelleAutor egodial
Schreibe einen Kommentar