Стандартные ошибки Ньюи-Уэста со средними группами / оценка Фама-Макбета

Я пытаюсь заставить стандартные ошибки Ньюи-Уэста работать с выводом pmg() (Средняя группа / оценка Фама-Макбета) из plm пакет.

Следуя примеру отсюда:

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

я могу использовать coeftest напрямую, чтобы получить стандартные ошибки Fama-MacBeth:

# 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

Однако попытка использовать оценки Ньюи-Уэста не удалась:

# 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')"

Это кажется недостатком в plm пакет. Вы знаете, как сделать эту работу? Должен ли я кодировать свой собственный estfun за pmg объекты? Код оценки Ньюи-Уэста с нуля? Или я должен обойти plm пакет в целом?

Источник

2 ответа

Решение

В настоящее время это невозможно с plm пакет.

Тем не менее, вы можете просто создать их самостоятельно.

Предположим, у вас есть:

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 ***

Тогда вы можете просто создать оценки самостоятельно, как в:

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

Убедитесь, что они идентичны в обоих случаях на всякий случай. Наконец, вы можете получить Newey-West (1987) с t-статистикой, скорректированной с одним лагом, для средних:

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

Обновить

В свой ответ я включил только "ручное" вычисление t-статистики, потому что это вычислительно быстрее. Более общим решением является вычисление скорректированной t-статистики Ньюи-Уэста и ее p-значений с помощью coeftest() функция lmtest пакет.

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 ***
Источник

Я думаю, что мы можем использовать tidyverse для настройки newey west, поскольку базовые методы R слишком многословны. 3 или 4 года назад тидиверс был незрелым, но сегодня мы можем относительно совершить тидиверс. вот метод tidyverse. кроме того, в моем ответе используется пакет broom.

      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 adjustment:
    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)
    regco %>% ungroup() %>% select(x1,x2,`(Intercept)`) %>% map(~coeftest(lm(.x ~ 
    1), vcov = NeweyWest(lm(.x ~ 1), lag = lag, prewhite = FALSE)))
Источник
Другие вопросы по тегам