Как выглядят манекены времени в R?

У меня есть вопрос относительно функции pgmm в пакете plm R.

Я видел пример кода:

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)

и, как указано в использовании функции pgmm, я понял, что сводная часть может быть такой:

summary(emp.gmm, time.dummies = TRUE)

Я попробовал оба кода и получил две разные таблицы. Первый результат без установки time.dummies = TRUE, второй с 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

Здесь я хочу знать, что означают time.dummies и как выглядят time.dummies. Может кто-нибудь мне помочь?


r plm
person w12345678    schedule 14.05.2020    source источник

Ответы (1)


arrow_upward
0
arrow_downward

Установив effect = "twoways" в вызове pgmm(), вы включаете двухсторонние фиксированные эффекты, то есть фиксированные эффекты на уровне группы панелей и на уровне времени.

Фиксированные эффекты в основном представляют собой фиктивные переменные для всех групп и временных шагов, включенных в модель. (Фактическая реализация немного сложнее, но можно доказать, что результат будет идентичным.) Вы должны включить их, если ожидаете, например, шок, который затронет все группы панелей в определенный момент времени. Чтобы не смещать ваши оценки коэффициентов, вы должны включить фиксированный эффект, который фиксирует влияние шока на зависимую переменную на заданном временном шаге (год в вашем случае).

Опция time.dummies либо включает, либо исключает коэффициенты временных фиксированных эффектов в выходных данных. Обратите внимание, что модель оценивается с фиксированными эффектами (помните параметр effect в вызове pgmm()).

Все коэффициенты временных дамми статистически незначимы, поэтому интерпретация неинформативна. Оценка 0.0105090 за 1979 год означает, что в среднем по панельным группам в 1979 г. логарифм занятости больше на 0.0105090 по сравнению со средним значением за все годы. Однако оценка коэффициента не является статистически значимой, поэтому к этой интерпретации следует относиться с осторожностью.

Для получения дополнительной информации, а также теории, см. главу 1.1.1.3 в Эконометрика панельных данных с R от Croissant и Millo (разработчики пакета plm).

person thorepet    schedule 14.05.2020