Question

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')

Answer 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()

时相同的拟合值

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。

用plm方法预测

1 个答案: