R 中的时间假人是什么样的?
What do time dummies look like in R?
我对 R 的 plm 包中的 pgmm 函数有疑问
我看到了一个示例代码:
library(plm)
data("EmplUK", package = "plm")
emp.gmm <- pgmm(log(emp)~lag(log(emp), 1:2)+lag(log(wage), 0:1)+log(capital)+
lag(log(output), 0:1)|lag(log(emp), 2:99),
data = EmplUK, effect = "twoways", model = "twosteps")
summary(emp.gmm)
正如pgmm函数的用法中所述,我意识到摘要部分可以是这样的:
summary(emp.gmm, time.dummies = TRUE)
我尝试了两种代码并得到了两个不同的表格。第一个结果没有设置 time.dummies = TRUE
,第二个结果有 time.dummies = TRUE
.
Unbalanced Panel: n = 140, T = 7-9, N = 1031
Number of Observations Used: 611
Residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.6190677 -0.0255683 0.0000000 -0.0001339 0.0332013 0.6410272
Coefficients:
Estimate Std. Error z-value Pr(>|z|)
lag(log(emp), 1:2)1 0.474151 0.185398 2.5575 0.0105437 *
lag(log(emp), 1:2)2 -0.052967 0.051749 -1.0235 0.3060506
lag(log(wage), 0:1)0 -0.513205 0.145565 -3.5256 0.0004225 ***
lag(log(wage), 0:1)1 0.224640 0.141950 1.5825 0.1135279
log(capital) 0.292723 0.062627 4.6741 2.953e-06 ***
lag(log(output), 0:1)0 0.609775 0.156263 3.9022 9.530e-05 ***
lag(log(output), 0:1)1 -0.446373 0.217302 -2.0542 0.0399605 *
Unbalanced Panel: n = 140, T = 7-9, N = 1031
Number of Observations Used: 611
Residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.6190677 -0.0255683 0.0000000 -0.0001339 0.0332013 0.6410272
Coefficients:
Estimate Std. Error z-value Pr(>|z|)
lag(log(emp), 1:2)1 0.4741506 0.1853985 2.5575 0.0105437 *
lag(log(emp), 1:2)2 -0.0529675 0.0517491 -1.0235 0.3060506
lag(log(wage), 0:1)0 -0.5132048 0.1455653 -3.5256 0.0004225 ***
lag(log(wage), 0:1)1 0.2246398 0.1419495 1.5825 0.1135279
log(capital) 0.2927231 0.0626271 4.6741 2.953e-06 ***
lag(log(output), 0:1)0 0.6097748 0.1562625 3.9022 9.530e-05 ***
lag(log(output), 0:1)1 -0.4463726 0.2173020 -2.0542 0.0399605 *
1979 0.0105090 0.0099019 1.0613 0.2885484
1980 0.0246512 0.0157698 1.5632 0.1180087
1981 -0.0158019 0.0267313 -0.5911 0.5544275
1982 -0.0374420 0.0299934 -1.2483 0.2119056
1983 -0.0392888 0.0346649 -1.1334 0.2570509
1984 -0.0495094 0.0348578 -1.4203 0.1555141
这里我想知道time.dummies是什么意思,time.dummies长什么样子。谁能帮帮我?
通过在 pgmm()
调用中设置 effect = "twoways"
,您可以包含双向固定效果,即面板组级别和时间级别的固定效果。
固定效应基本上是所有组的虚拟变量,以及模型中包含的时间步长。 (实际实施会稍微复杂一些,但可以证明结果是相同的。)如果您期望例如在特定时间步影响所有面板组的冲击,您将包括这些。为了不使您的系数估计产生偏差,您必须包括一个固定效应,它捕获在给定时间步长(在您的情况下为一年)冲击对因变量的影响。
time.dummies
选项在输出中包含或排除时间固定效应的系数。请注意,该模型是使用固定效应估计的(请记住 pgmm()
调用中的 effect
选项)。
时间虚拟变量的所有系数在统计上都不显着,因此解释无法提供信息。 1979
年的 0.0105090
估计值意味着 1979 年各小组的平均就业对数比所有年份的平均值大 0.0105090
。尽管系数估计值在统计上不显着,因此应谨慎处理这种解释。
有关理论的更多信息,请查看 Panel Data Econometrics with R 中的第 1.1.1.3 章,作者是 Croissant 和 Millo(plm
包的开发者)。
我对 R 的 plm 包中的 pgmm 函数有疑问
我看到了一个示例代码:
library(plm)
data("EmplUK", package = "plm")
emp.gmm <- pgmm(log(emp)~lag(log(emp), 1:2)+lag(log(wage), 0:1)+log(capital)+
lag(log(output), 0:1)|lag(log(emp), 2:99),
data = EmplUK, effect = "twoways", model = "twosteps")
summary(emp.gmm)
正如pgmm函数的用法中所述,我意识到摘要部分可以是这样的:
summary(emp.gmm, time.dummies = TRUE)
我尝试了两种代码并得到了两个不同的表格。第一个结果没有设置 time.dummies = TRUE
,第二个结果有 time.dummies = TRUE
.
Unbalanced Panel: n = 140, T = 7-9, N = 1031
Number of Observations Used: 611
Residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.6190677 -0.0255683 0.0000000 -0.0001339 0.0332013 0.6410272
Coefficients:
Estimate Std. Error z-value Pr(>|z|)
lag(log(emp), 1:2)1 0.474151 0.185398 2.5575 0.0105437 *
lag(log(emp), 1:2)2 -0.052967 0.051749 -1.0235 0.3060506
lag(log(wage), 0:1)0 -0.513205 0.145565 -3.5256 0.0004225 ***
lag(log(wage), 0:1)1 0.224640 0.141950 1.5825 0.1135279
log(capital) 0.292723 0.062627 4.6741 2.953e-06 ***
lag(log(output), 0:1)0 0.609775 0.156263 3.9022 9.530e-05 ***
lag(log(output), 0:1)1 -0.446373 0.217302 -2.0542 0.0399605 *
Unbalanced Panel: n = 140, T = 7-9, N = 1031
Number of Observations Used: 611
Residuals:
Min. 1st Qu. Median Mean 3rd Qu. Max.
-0.6190677 -0.0255683 0.0000000 -0.0001339 0.0332013 0.6410272
Coefficients:
Estimate Std. Error z-value Pr(>|z|)
lag(log(emp), 1:2)1 0.4741506 0.1853985 2.5575 0.0105437 *
lag(log(emp), 1:2)2 -0.0529675 0.0517491 -1.0235 0.3060506
lag(log(wage), 0:1)0 -0.5132048 0.1455653 -3.5256 0.0004225 ***
lag(log(wage), 0:1)1 0.2246398 0.1419495 1.5825 0.1135279
log(capital) 0.2927231 0.0626271 4.6741 2.953e-06 ***
lag(log(output), 0:1)0 0.6097748 0.1562625 3.9022 9.530e-05 ***
lag(log(output), 0:1)1 -0.4463726 0.2173020 -2.0542 0.0399605 *
1979 0.0105090 0.0099019 1.0613 0.2885484
1980 0.0246512 0.0157698 1.5632 0.1180087
1981 -0.0158019 0.0267313 -0.5911 0.5544275
1982 -0.0374420 0.0299934 -1.2483 0.2119056
1983 -0.0392888 0.0346649 -1.1334 0.2570509
1984 -0.0495094 0.0348578 -1.4203 0.1555141
这里我想知道time.dummies是什么意思,time.dummies长什么样子。谁能帮帮我?
通过在 pgmm()
调用中设置 effect = "twoways"
,您可以包含双向固定效果,即面板组级别和时间级别的固定效果。
固定效应基本上是所有组的虚拟变量,以及模型中包含的时间步长。 (实际实施会稍微复杂一些,但可以证明结果是相同的。)如果您期望例如在特定时间步影响所有面板组的冲击,您将包括这些。为了不使您的系数估计产生偏差,您必须包括一个固定效应,它捕获在给定时间步长(在您的情况下为一年)冲击对因变量的影响。
time.dummies
选项在输出中包含或排除时间固定效应的系数。请注意,该模型是使用固定效应估计的(请记住 pgmm()
调用中的 effect
选项)。
时间虚拟变量的所有系数在统计上都不显着,因此解释无法提供信息。 1979
年的 0.0105090
估计值意味着 1979 年各小组的平均就业对数比所有年份的平均值大 0.0105090
。尽管系数估计值在统计上不显着,因此应谨慎处理这种解释。
有关理论的更多信息,请查看 Panel Data Econometrics with R 中的第 1.1.1.3 章,作者是 Croissant 和 Millo(plm
包的开发者)。