Ich versuche, eine F-Test auf die gemeinsame Bedeutung der festen Effekte (individual-spezifische Dummy-Variablen) auf einer Panel-Daten-OLS-Regression (in R), aber ich habe nicht einen Weg gefunden, dies für eine große Anzahl von festen Effekten zu erreichen . Idealerweise würde ich eine Funktion im plm-Paket verwenden, aber ich habe nichts gefunden, was speziell diesen Test macht. Dies ist etwas, was Stata automatisch bei der Verwendung der xtreg, fe Befehl. In Stata, die Ergebnisse wie folgt aussehen: Wieder versuche ich, die Stata-Ergebnis in R für eine große Anzahl von Dummy-Variablen, vielleicht durch Faktor spezifiziert (us. state) mit lm () oder Modell fe mit plm () zu reproduzieren. Hier ist ein reproduzierbares Beispiel: das entspricht dem folgenden innerhalb der Regression mit dem plm-Paket. Also, der Test wäre der Test, dass alle staatlichen Dummy-Variablen gemeinsam von Null verschieden sind (gemeinsam signifikant). Dies ist eine lineare Einschränkung für das unbeschränkte Modell (reg1 und reg1.fe oben). Dieser F-Test wird im folgenden Dokument besser erklärt (siehe Folien 5-7). Hier ist einer meiner schwachen Versuche, eine R-Matrix für den F-Test mit einer Nullhypothese zu erstellen: Rb q wobei b die Koeffizientenmatrix (beta hat) ist und q ein Vektor von Nullen ist. Das funktioniert nicht Und Im Im Hoffen gibt es einen stromlinienförmigen Ansatz für die Prüfung der gemeinsamen Bedeutung aller festen Effekt-Dummy-Variablen. Zuerst möchte ich darauf hinweisen, dass Ihre Frage verbessert werden könnte durch (1) Bereitstellung eines reproduzierbaren Beispiels, und (2) Beschreiben der genauen Prüfung, auf die Sie sich beziehen, wenn Sie sagen, F-Test. Ein Link zu den Stata docs vielleicht F ist die Verteilung, so kann es ein Gazillion Tests namens F-Test. Wenn Ihr wesentliches Interesse darin besteht, festzustellen, ob das Fixed-Effect-Modell die Daten wesentlich besser als OLS ohne feste Effekte passt, dann könnten Sie immer einen Likelihood-Ratio-Test verwenden. Im sicheres gibt es viele Implementierungen in R, aber das, das durch das lmtest Paket zur Verfügung gestellt wird, ist ziemlich bequem. Heres ein Beispiel mit einem Dataset mit dem plm-Paket verteilt (Sie scheinen, dass installiert haben, so sollte es einfach sein, zu versuchen). Ich denke, plm39s pFtest () - Funktion kann tun, was Sie wollen (siehe meine bearbeitete Antwort). Das Ergebnis ist nicht genau das gleiche wie Ihre Stata-Ausgabe, was wahrscheinlich darauf zurückzuführen ist, dass der erste Parameter der F-Verteilung unterschiedlich ist. Aber wenn ich beide Modelle einzeln mit lm () führe, bekomme ich Freiheitsgrade von 543 und 498 (Unterschied von 45), also R scheint hier richtig zu sein. Sehen Sie, wenn Sie die gleichen Freiheitsgrade in Stata erhalten, wenn Sie die Pooling und innerhalb Modelle einzeln passen. Das Problem mit Closed-Source-Software wie Stata ist we39ll nie genau wissen, wie sie ihre F-Test zu berechnen. Ndash Vincent May 30 11 at 3:50 Ich glaube wirklich nicht, dass dieser Test überhaupt nützlich ist. Anstatt zu schätzen, was Sie einen festen Effekt nennen (ich nenne es No-Pooling-Modell), warum nicht ein hierarchisches Modell Das hierarchische Modell (oder partielle Pooling-Modell) wird es ermöglichen, Ihre Schätzungen auf die commom Mittel für Staaten schrumpfen, aber ohne Auferlegung Sie gleich zu sein. Mehrvoer, wenn Sie einschätzen müssen, wieviel Zustände sich unterscheiden, müssen Sie nur die Varianz verwenden, die zwischen Zustand und intra-state geschätzt wird. Wenn die Varianz unter dem Zustand niedrig ist (nahe Null), als Sie arent gewinnen so viel mit einem hierarchischen Modell und die Abschnitte sind ungefähr gleich. Wenn die Varianz sehr groß ist (im Grenzfall, wenn ins Unendliche geht), fügt das hierarchische Modell wenig hinzu, und Sie könnten ein separates Modell für jeden Zustand ausführen. Mit dem Paket lme4 können Sie ein hierarchisches Modell in R abschätzen. Verwenden Sie Ihre Daten: Die geschätzte Standardabweichung des Intercept durch Zustände ist 4.39 und die Standardabweichung von einzelnen ist 4.19.Stata: Datenanalyse und statistische Software Kristin MacDonald, StataCorp Schätzung Befehle bieten bei Test oder z-Test für die Null-Hypothese, dass ein Koeffizient Gleich Null ist. Der Testbefehl kann Wald-Tests für einfache und zusammengesetzte lineare Hypothesen auf die Parameter durchführen, aber diese Wald-Tests sind auch auf Tests der Gleichheit beschränkt. Einseitige t-Tests Um einseitige Tests durchzuführen, können Sie zuerst den entsprechenden zweiseitigen Wald-Test durchführen. Dann können Sie mit den Ergebnissen die Teststatistik und den p-Wert für den einseitigen Test berechnen. Letrsquos sagen, dass Sie die folgende Regression durchführen: Wenn Sie möchten, dass der Koeffizient auf Gewicht zu testen. Beta-Gewicht. Negativ (oder positiv) ist, können Sie mit der Durchführung des Wald-Tests für die Nullhypothese beginnen, dass dieser Koeffizient gleich Null ist. Der hier gegebene Wald-Test ist ein F-Test mit 1 Zähler-Freiheitsgrad und 71 Nenner-Freiheitsgraden. Die Studentrsquos-t-Verteilung steht in direktem Zusammenhang mit der F-Verteilung, da das Quadrat der Studentrsquos-t-Verteilung mit d Freiheitsgraden der F-Verteilung mit 1 Zähler-Freiheitsgrad und d-Nenner-Freiheitsgraden äquivalent ist. Solange der F-Test einen Freiheitsgrad von 1 Zählern aufweist, ist die Quadratwurzel der F-Statistik der absolute Wert der t-Statistik für den einseitigen Test. Um zu bestimmen, ob diese t-Statistik positiv oder negativ ist, müssen Sie feststellen, ob der eingestellte Koeffizient positiv oder negativ ist. Dazu können Sie die Funktion sign () verwenden. Anschließend können Sie mit den Funktionen ttail () zusammen mit den zurückgegebenen Ergebnissen aus dem Testbefehl die p-Werte für die einseitigen Tests auf folgende Weise berechnen: Im speziellen Fall, bei dem Sie daran interessiert sind, ob ein Koeffizient vorliegt Größer als, kleiner oder gleich null, können Sie die p-Werte direkt aus der Regressionsausgabe berechnen. Wenn der geschätzte Koeffizient positiv ist, wie für das Gewicht. Können Sie dies wie folgt durchführen: p-Wert 0,008 (angegeben in der Regressionsausgabe) p-Wert 0.5672 0.284 Auf der anderen Seite, wenn Sie einen Test wie H 0 durchführen möchten. Beta Gewicht lt 1, können Sie den p-Wert nicht direkt aus den Regressionsergebnissen berechnen. Hier musst du zuerst den Waldtest durchführen. Einseitige z-Tests In der Ausgabe für bestimmte Schätzbefehle finden Sie, dass z Statistik anstelle von t Statistik gemeldet wird. In diesen Fällen erhalten Sie, wenn Sie den Testbefehl verwenden, einen Chi-Quadrat-Test anstelle eines F-Tests. Die Beziehung zwischen der Standard-Normalverteilung und der Chi-Quadrat-Verteilung ist ähnlich der Beziehung zwischen der Studentrsquos-t-Verteilung und der F-Verteilung. Tatsächlich ist die Quadratwurzel der Chi-Quadrat-Verteilung mit einem Freiheitsgrad die normale Normalverteilung. Daher können einseitige z-Tests ähnlich wie bei einseitigen t-Tests durchgeführt werden. Beispielsweise gibt hier der Testbefehl r (chi2) zurück. Die zusammen mit der normalen () - Funktion zur Berechnung der entsprechenden p-Werte verwendet werden können. Schließlich, wenn Sie einen Test der Ungleichung für zwei Ihrer Koeffizienten, wie H 0 durchführen möchten. Beta age gt beta grade. Würden Sie zuerst den folgenden Wald-Test durchführen: Berechnen Sie dann den entsprechenden p-Wert: Wieder ist dieser Ansatz (Durchführung eines Wald-Tests und Verwendung der Ergebnisse zur Berechnung des p-Wertes für einen einseitigen Test) nur dann sinnvoll, wenn der Wald F Statistik hat 1 Freiheitsgrad im Zähler oder die Wald chi-Quadrat Statistik hat 1 Freiheitsgrad. Die oben diskutierten Verteilungsbeziehungen sind nicht gültig, wenn diese Freiheitsgrade größer als 1 sind.
No comments:
Post a Comment