我正试图让Newey-West标准错误与pmg()
包中的plm
(Mean Groups / Fama-MacBeth估算器)的输出一起使用。
遵循here的示例:
require(foreign)
require(plm)
require(lmtest)
test <- read.dta("http://www.kellogg.northwestern.edu/faculty/petersen/htm/papers/se/test_data.dta")
fpmg <- pmg(y~x, test, index=c("firmid", "year")) # Time index in second position, unlike the example
我可以直接使用coeftest
来获取Fama-MacBeth标准错误:
# Regular “Fama-MacBeth” standard errors
coeftest(fpmg)
# t test of coefficients:
#
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 0.032470 0.071671 0.453 0.6505
# x 0.969212 0.034782 27.866 <2e-16 ***
# ---
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
然而,试图使用纽维西估计师失败了:
# Newey-West standard-errors
coeftest(fpmg, vcov = NeweyWest(fpmg, lag=3))
# Error in UseMethod("estfun") :
# no applicable method for 'estfun' applied to an object of class "c('pmg', 'panelmodel')"
这似乎是plm
包中的缺点。你知道一种让这项工作的方法吗?我应该为estfun
个对象编写自己的pmg
代码吗?从头开始编码Newey-West估算器?或者我应该完全绕过plm
包裹?
答案 0 :(得分:2)
目前使用plm
包不可能实现此目的。
但是,您可以自己创建它们。
假设你有:
fpmg <- pmg(y~x, test, index = c('year', 'firmid'))
fpmg.coefficients <- fpmg$coefficients
# (Intercept) x
# 0.03127797 1.03558610
coeftest(fpmg)
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 0.031278 0.023356 1.3392 0.1806
# x 1.035586 0.033342 31.0599 <2e-16 ***
然后你可以像在下面那样简单地创建估算器:
the.years <- unique(test$year)
a.formula <- y ~ x
first.step <- lapply(the.years, function(a.year) {
temp.data <- test[test$year == a.year, ]
an.lm <- lm(a.formula, data = temp.data)
the.coefficients <- an.lm$coef
the.results <- as.data.frame(cbind(a.year, t(the.coefficients)))
the.results
})
first.step.df <- do.call('rbind', first.step)
second.step.coefficients <- apply(first.step.df[, -1], 2, mean)
second.step.coefficients
# (Intercept) x
# 0.03127797 1.03558610
identical(fpmg.coefficients, second.step.coefficients)
# [1] TRUE
以防万一,检查它们是否完全相同。 最后,你可以获得Newey-West(1987)的一个滞后调整t统计量的方法:
library(sandwich)
second.step.NW.sigma.sq <- apply(first.step.df[, -1], 2,
function(x) sqrt(NeweyWest(lm(x ~ 1),
lag = 1, prewhite = FALSE)['(Intercept)',
'(Intercept)']))
second.step.NW.sigma.sq
# (Intercept) x
# 0.02438398 0.02859447
t.statistics.NW.lag.1 <- second.step.coefficients / second.step.NW.sigma.sq
t.statistics.NW.lag.1
# (Intercept) x
# 1.282726 36.216301
在我的回答中,我只包含了t统计量的“手动”计算,因为它的计算速度更快。
更通用的解决方案是使用coeftest()
包的lmtest
函数对Newey-West校正的t统计量及其p值进行计算。
coeftest(lm(first.step.df$'(Intercept)' ~ 1), vcov = NeweyWest(lm(first.step.df$'(Intercept)' ~ 1), lag = 1, prewhite = FALSE))
# t test of coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 0.031278 0.024384 1.2827 0.2316
coeftest(lm(first.step.df$x ~ 1), vcov = NeweyWest(lm(first.step.df$x ~ 1), lag = 1, prewhite = FALSE))
# t test of coefficients:
# Estimate Std. Error t value Pr(>|t|)
# (Intercept) 1.035586 0.028594 36.216 4.619e-11 ***
答案 1 :(得分:0)
我认为我们可以使用 tidyverse
来进行 Newey-West 调整,因为基础 R 方法过于冗长。三四年前,tidyverse
还很不成熟,但是今天我们可以比较完美的使用tidyverse
。这是 tidyverse
方法。此外,我的回答中使用了 broom
包。
# test data:
set.seed(1234)
a <- tibble(
year = rep(1:20, each = 100),
firmid = rep(1:100, times = 20),
x1 = rnorm(2000),
x2 = rnorm(2000),
y = 2 + 3 * x1 - 2 * x2 + rnorm(1)
)
Newey-West 调整:
a.formula <- formula("y ~ x1+x2")
lag <- 1
regco <- a %>%
group_by(year) %>%
group_modify(~tidy(lm(a.formula, data = .x))) %>%
select(year,term,estimate) %>%
pivot_wider(names_from = term,
values_from = estimate) %>%
ungroup() %>%
select(x1, x2, `(Intercept)`) %>%
map(
~coeftest(
lm(.x ~ 1),
vcov = NeweyWest(
lm(.x ~ 1),
lag = lag,
prewhite = FALSE
)
)
)