在带有 plm 包的模型内

机器算法验证 r 面板数据 固定效应模型 plm
2022-04-05 12:28:13

我有一个关于plm包裹的问题。

我的代码是:

fixedmodel <- plm(formula=Inv_ret~Firm.size+leverage+Risk+Liquidity+Equity,
                  data=datanewp, model="within")

plm vignette作者中写道:

这称为固定效应(也称为内部或最小二乘虚拟变量)模型,通常由 ols 对转换后的数据进行估计,并给出一致的 beta 估计值。

我想知道plm包是否假设该模型是在包least squares dummy variable中估计的换句话说,如果实际上是 plm 中的模型?model="withinplmwihinleast squares dummy variable

另一方面,如果我参考他们写的其他网站:

有几种估计固定效应模型的策略。最小二乘虚拟变量模型 (LSDV) 使用虚拟变量,而“内部”估计不使用。当然,这些策略会产生相同的回归量参数估计(非虚拟自变量)。

所以我猜plm包的作者的意思是他们实际上使用模型,但稍后从转换within中计算独特的组特定截距。within我对么?

1个回答

这两个估计量的计算方式不同,但数值相同,所以本质上没关系。内部估计器在计算上更容易,因为它可以检查设计矩阵的大小,我认为这就是内部估计器的实现方式。这是一些 R 代码来演示这一点

library(plm)
data("Produc", package = "plm")
plmResults <- plm(log(gsp) ~ log(pcap) + log(pc) + log(emp) + unemp, data = Produc, 
                  index = c("state","year"))
summary(plmResults)

regResults <- lm(log(gsp) ~ as.factor(state) + log(pcap) + log(pc) + log(emp) + unemp, 
                 data = Produc)
summary(regResults)

或者,如果您愿意,可以使用一些 Stata 代码,

webuse nlswork
xtset idcode

xtreg ln_w grade c.age##c.age c.ttl_exp##c.ttl_exp c.tenure##c.tenure ///
 2.race not_smsa south, fe

areg ln_w grade c.age##c.age c.ttl_exp##c.ttl_exp c.tenure##c.tenure ///
 2.race not_smsa south, absorb(idcode)

可以很容易地给出使用 Frisch-Waugh-Lovell 定理的证明。请注意一个关键点,对于大量组,即,组虚拟变量的系数估计值不一致。n