机器算法验证 - 比较重复测量 FE 模型中的组，具有嵌套误差分量，使用 plm 估计 - 吾爱随笔录

比较重复测量 FE 模型中的组，具有嵌套误差分量，使用 plm 估计

机器算法验证 r 假设检验重复测量嵌套数据 plm

2022-03-07 23:11:16

我已经估计了一些重复测量的固定效应模型，具有嵌套的误差分量，基于分组变量，即非嵌套模型，使用plm. 我现在有兴趣

测试完整模型是否显着不同，即H_o其中是完整模型，是完整模型 $H_{o} : β_{F e m a l e} = β_{M a l e}$ $H_o: \beta_{Female} = \beta_{Male}$ $\beta_{Female}$ Females $\beta_{Male}$ Males
随后测试两组之间选择的回归系数，即其中是女性的回归系数在, 和是男性在的回归系数。 $H_{o} : β_{F e m a l e == y e a r 1.5} = β_{M a l e == y e a r 1.5}$ $H_o: \beta_{Female == year1.5} = \beta_{Male == year1.5}$ $\beta_{Female == year1.5}$ year1.5 $\beta_{Male == year1.5}$ year1.5

我将使用以下工作示例来说明情况，

首先，需要一些包，

# install.packages(c("plm","texreg","tidyverse","lmtest"), dependencies = TRUE)
library(plm); library(lmtest); require(tidyverse)

二、一些资料准备，

data(egsingle, package = "mlmRev")
dta <-  egsingle %>% mutate(Female = recode(female,.default = 0L,`Female` = 1L))

三、我为数据中的每个性别估计了一组模型

MoSpc <- as.formula(math ~ Female + size + year)
dfMo = dta %>% group_by(female) %>%
    do(fitMo = plm(update(MoSpc, . ~ . -Female), 
       data = ., index = c("childid", "year", "schoolid"), model="within") )

第四，让我们看一下两个估计模型，

texreg::screenreg(dfMo[[2]], custom.model.names = paste0('FE: ', dfMo[[1]]))
#> ===================================
#>            FE: Female   FE: Male   
#> -----------------------------------
#> year-1.5      0.79 ***     0.88 ***
#>              (0.07)       (0.10)   
#> year-0.5      1.80 ***     1.88 ***
#>              (0.07)       (0.10)   
#> year0.5       2.51 ***     2.56 ***
#>              (0.08)       (0.10)   
#> year1.5       3.04 ***     3.17 ***
#>              (0.08)       (0.10)   
#> year2.5       3.84 ***     3.98 ***
#>              (0.08)       (0.10)   
#> -----------------------------------
#> R^2           0.77         0.79    
#> Adj. R^2      0.70         0.72    
#> Num. obs.  3545         3685       
#> ===================================
#> *** p < 0.001, ** p < 0.01, * p < 0.05    #>

现在，我想测试这两个（线性 OLS）模型是否显着不同，参见。上面的第 1 点。我环顾了 SO和互联网，有些人建议我需要使用plm::pFtest()，也建议在这里，我已经尝试过，但我不相信。我会想象一些非嵌套模型的测试，可能的 Cox 测试，lmtest::coxtest但我完全不确定。如果这里有人可以帮助我。

我试过，

plm::pFtest(dfMo[[1,2]], dfMo[[2,2]])
# >
# > F test for individual effects
# >
# >data:  update(MoSpc, . ~ . - Female)
# >F = -0.30494, df1 = 113, df2 = 2693, p-value = 1
# >alternative hypothesis: significant effects

和，

lmtest::coxtest(dfMo[[1,2]], dfMo[[2,2]])
# > Cox test
# > 
# > Model 1: math ~ size + year
# > Model 2: math ~ size + year
# >                 Estimate Std. Error    z value Pr(>|z|)    
# > fitted(M1) ~ M2     0.32    1.66695     0.1898   0.8494    
# > fitted(M2) ~ M1 -1222.87    0.13616 -8981.1963   <2e-16 ***
# > ---
# > Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# > Warning messages:
# > 1: In lmtest::coxtest(dfMo[[1, 2]], dfMo[[2, 2]]) :
# >   models fitted on different subsets
# > 2: In lmtest::coxtest(dfMo[[1, 2]], dfMo[[2, 2]]) :
# >   different dependent variables specified

其次，我有兴趣比较两组之间的回归系数。比如说，year1.53.04 的估计值是否与 3.17 显着不同？参照。上述第 2 点。

请询问以上是否有任何不清楚的地方，我很乐意详细说明。任何帮助将不胜感激！

我意识到这个问题有点像编程，但我最初是在 SO 中发布的。但是，DWin非常友好地指出该问题属于 CrossValidated 并将其迁移到此处。

固定效应模型 r plm 嵌套数据假设检验重复测量面板数据混合模式回归面板数据非嵌套模型嵌套模型

1个回答

下面的代码实现了在Femaledummy 和 year 之间放置交互的做法。底部的 F 测试测试你的 null $\beta_{Female} = \beta_{Male}$ . 输出中的 t 统计plm量测试您的空值 $\beta_{Female:year=1.5}=\beta_{Male:year=1.5}$ . 特别是，对于year=1.5，p 值为 0.32。

library(plm)  # Use plm
library(car)  # Use F-test in command linearHypothesis
library(tidyverse)
data(egsingle, package = 'mlmRev')
dta <- egsingle %>% mutate(Female = recode(female, .default = 0L, `Female` = 1L))
plm1 <- plm(math ~ Female * (year), data = dta, index = c('childid', 'year', 'schoolid'), model = 'within')

# Output from `summary(plm1)` --- I deleted a few lines to save space.
# Coefficients:
#                 Estimate Std. Error t-value Pr(>|t|)    
# year-1.5          0.8842     0.1008    8.77   <2e-16 ***
# year-0.5          1.8821     0.1007   18.70   <2e-16 ***
# year0.5           2.5626     0.1011   25.36   <2e-16 ***
# year1.5           3.1680     0.1016   31.18   <2e-16 ***
# year2.5           3.9841     0.1022   38.98   <2e-16 ***
# Female:year-1.5  -0.0918     0.1248   -0.74     0.46    
# Female:year-0.5  -0.0773     0.1246   -0.62     0.53    
# Female:year0.5   -0.0517     0.1255   -0.41     0.68    
# Female:year1.5   -0.1265     0.1265   -1.00     0.32    
# Female:year2.5   -0.1465     0.1275   -1.15     0.25    
# ---

xnames <- names(coef(plm1)) # a vector of all independent variables' names in 'plm1'
# Use 'grepl' to construct a vector of logic value that is TRUE if the variable
# name starts with 'Female:' at the beginning. This is generic, to pick up
# every variable that starts with 'year' at the beginning, just write
# 'grepl('^year+', xnames)'.
picked <- grepl('^Female:+', xnames)
linearHypothesis(plm1, xnames[picked])

# Hypothesis:
# Female:year - 1.5 = 0
# Female:year - 0.5 = 0
# Female:year0.5 = 0
# Female:year1.5 = 0
# Female:year2.5 = 0
# 
# Model 1: restricted model
# Model 2: math ~ Female * (year)
# 
#   Res.Df Df Chisq Pr(>Chisq)
# 1   5504                    
# 2   5499  5  6.15       0.29

其它你可能感兴趣的问题

上一篇为什么 L1 正则化可以“将权重归零”并因此导致模型稀疏？下一篇为什么 LSTM 在信息锁存方面的表现比普通循环神经元网络差