我使用plm包来估计面板数据的随机效应模型。 阅读关于plm包中预测的this question给了我一些疑问。它究竟是如何工作的?我尝试了3种替代方法,并提供不同的解决方案。为什么?
library(data.table); library(plm)
set.seed(100)
DT <- data.table(CJ(id=c(1,2,3,4), time=c(1:10)))
DT[, x1:=rnorm(40)]
DT[, x2:=rnorm(40)]
DT[, y:=x1 + 2*x2 + rnorm(40)/10 + id]
DT <- DT[!(id=="a" & time==4)] # just to make it an unbalanced panel
setkey(DT, id, time)
summary(plmFEit <- plm(data=DT, id=c("id","time"), formula=y ~ x1 + x2, model="random"))
###################
#method 1
###################
# Extract the fitted values from the plm object
FV <- data.table(plmFEit$model, residuals=as.numeric(plmFEit$residuals))
FV[, y := as.numeric(y)]
FV[, x1 := as.numeric(x1)]
FV[, x2 := as.numeric(x2)]
DT <- merge(x=DT, y=FV, by=c("y","x1","x2"), all=TRUE)
DT[, fitted.plm_1 := as.numeric(y) - as.numeric(residuals)]
###################
#method 2
###################
# calculate the fitted values
DT[, fitted.plm_2 := as.numeric(coef(plmFEit)[1]+coef(plmFEit)[2] * x1 + coef(plmFEit)[3]*x2)]
###################
#method 3
###################
# using pmodel.response
DT$fitted.plm_3 <-pmodel.response(plmFEit,model='random')
答案 0 :(得分:1)
方法1: 这可以更容易:
FV <- data.table(plmFEit$model, residuals=as.numeric(plmFEit$residuals))
FV[ , fitted := y - residuals]
但是,它提供了与您使用merge()
方法2: 你正在拟合一个随机效应模型(虽然你把它命名为plmFEit,其中FE通常意味着固定效果)。与方法1相比,您缺少特殊的错误术语。
方法3:
pmodel.response()
为您提供响应变量(在这种情况下为y
),但应用了指定的转换(随机效应转换(“准贬值”))(请参阅pmodel.response()
)
我认为,你想要的是方法1。