so sánh các nhóm trong các biện pháp lặp lại mô hình FE, với thành phần lỗi lồng nhau, ước tính bằng cách sử dụng plm

Tôi đã ước tính một số biện pháp lặp lại các mô hình Hiệu ứng cố định, với thành phần lỗi lồng nhau, dựa trên các biến nhóm, tức là các mô hình không lồng nhau, sử dụng plm . Bây giờ tôi quan tâm đến

1. kiểm tra xem các mô hình đầy đủ có khác nhau đáng kể hay không, tức là $$H_o: \beta_{Female} = \beta_{Male}$$ trong đó là mô hình đầy đủ cho và là mô hình đầy đủ cho và$\beta_{Female}$Females$\beta_{Male}$Males
2. sau đó kiểm tra các hệ số hồi quy được chọn giữa hai nhóm, tức là trong đó là hệ số hồi quy cho nữ at , và là hệ số hồi quy cho nam giới tại . $$H_o: \beta_{Female == year1.5} = \beta_{Male == year1.5}$$ $\beta_{Female == year1.5}$year1.5$\beta_{Male == year1.5}$year1.5

Tôi sẽ minh họa tình huống bằng cách sử dụng ví dụ làm việc dưới đây,

Đầu tiên, một số gói cần thiết,

# install.packages(c("plm","texreg","tidyverse","lmtest"), dependencies = TRUE)
library(plm); library(lmtest); require(tidyverse)

Thứ hai, chuẩn bị một số dữ liệu,

data(egsingle, package = "mlmRev")
dta <-  egsingle %>% mutate(Female = recode(female,.default = 0L,`Female` = 1L))

Thứ ba, tôi ước tính một bộ mô hình cho từng giới trong dữ liệu

MoSpc <- as.formula(math ~ Female + size + year)
dfMo = dta %>% group_by(female) %>%
    do(fitMo = plm(update(MoSpc, . ~ . -Female), 
       data = ., index = c("childid", "year", "schoolid"), model="within") )

Forth, hãy nhìn vào hai mô hình ước tính,

texreg::screenreg(dfMo[[2]], custom.model.names = paste0('FE: ', dfMo[[1]]))
#> ===================================
#>            FE: Female   FE: Male   
#> -----------------------------------
#> year-1.5      0.79 ***     0.88 ***
#>              (0.07)       (0.10)   
#> year-0.5      1.80 ***     1.88 ***
#>              (0.07)       (0.10)   
#> year0.5       2.51 ***     2.56 ***
#>              (0.08)       (0.10)   
#> year1.5       3.04 ***     3.17 ***
#>              (0.08)       (0.10)   
#> year2.5       3.84 ***     3.98 ***
#>              (0.08)       (0.10)   
#> -----------------------------------
#> R^2           0.77         0.79    
#> Adj. R^2      0.70         0.72    
#> Num. obs.  3545         3685       
#> ===================================
#> *** p < 0.001, ** p < 0.01, * p < 0.05    #> 

Bây giờ, tôi muốn kiểm tra xem hai mô hình (OLS tuyến tính) này có khác nhau đáng kể không, xem điểm1 ở trên. Tôi đã xem qua SO và internet và một số gợi ý rằng tôi cần sử dụng plm::pFtest(), cũng đề xuất ở đây , điều mà tôi đã thử, nhưng tôi không bị thuyết phục. Tôi đã tưởng tượng một số thử nghiệm cho các mô hình không lồng nhau, thử nghiệm Cox có thể lmtest::coxtest, nhưng tôi không chắc chắn gì cả. Nếu ai đó ở đây có thể có thể giúp tôi.

Tôi đã thử

plm::pFtest(dfMo[[1,2]], dfMo[[2,2]])
# >
# > F test for individual effects
# >
# >data:  update(MoSpc, . ~ . - Female)
# >F = -0.30494, df1 = 113, df2 = 2693, p-value = 1
# >alternative hypothesis: significant effects

và,

lmtest::coxtest(dfMo[[1,2]], dfMo[[2,2]])
# > Cox test
# > 
# > Model 1: math ~ size + year
# > Model 2: math ~ size + year
# >                 Estimate Std. Error    z value Pr(>|z|)    
# > fitted(M1) ~ M2     0.32    1.66695     0.1898   0.8494    
# > fitted(M2) ~ M1 -1222.87    0.13616 -8981.1963   <2e-16 ***
# > ---
# > Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
# > Warning messages:
# > 1: In lmtest::coxtest(dfMo[[1, 2]], dfMo[[2, 2]]) :
# >   models fitted on different subsets
# > 2: In lmtest::coxtest(dfMo[[1, 2]], dfMo[[2, 2]]) :
# >   different dependent variables specified

Thứ hai, tôi quan tâm để so sánh các hệ số hồi quy giữa hai nhóm. Nói, ước tính cho year1.53.04 có khác biệt đáng kể so với 3.17 không? Cf. điểm 2 ở trên.

Xin hỏi nếu bất kỳ điều nào ở trên không rõ ràng và tôi sẽ vui lòng giải thích. Chúng tôi rất trân trọng bất kỳ sự giúp đỡ nào!

Tôi nhận ra câu hỏi này là một chút lập trình như thế, nhưng ban đầu tôi đã đăng nó trong SO. Tuy nhiên, DWin đã rất tử tế khi chỉ ra rằng câu hỏi thuộc về CrossValidated và đã di chuyển nó ở đây.

mô hình cố định hiệu ứng r plm lồng ghép dữ liệu giả thuyết thử nghiệm lặp lại các biện pháp lặp lại bảng điều khiển dữ liệu hỗn hợp mô hình hồi quy bảng dữ liệu mô hình không lồng nhau mô hình lồng nhau

Female$\beta_{Female} = \beta_{Male}$plm$\beta_{Female:year=1.5}=\beta_{Male:year=1.5}$year=1.5, giá trị p là 0,32.

library(plm)  # Use plm
library(car)  # Use F-test in command linearHypothesis
library(tidyverse)
data(egsingle, package = 'mlmRev')
dta <- egsingle %>% mutate(Female = recode(female, .default = 0L, `Female` = 1L))
plm1 <- plm(math ~ Female * (year), data = dta, index = c('childid', 'year', 'schoolid'), model = 'within')

# Output from `summary(plm1)` --- I deleted a few lines to save space.
# Coefficients:
#                 Estimate Std. Error t-value Pr(>|t|)    
# year-1.5          0.8842     0.1008    8.77   <2e-16 ***
# year-0.5          1.8821     0.1007   18.70   <2e-16 ***
# year0.5           2.5626     0.1011   25.36   <2e-16 ***
# year1.5           3.1680     0.1016   31.18   <2e-16 ***
# year2.5           3.9841     0.1022   38.98   <2e-16 ***
# Female:year-1.5  -0.0918     0.1248   -0.74     0.46    
# Female:year-0.5  -0.0773     0.1246   -0.62     0.53    
# Female:year0.5   -0.0517     0.1255   -0.41     0.68    
# Female:year1.5   -0.1265     0.1265   -1.00     0.32    
# Female:year2.5   -0.1465     0.1275   -1.15     0.25    
# ---

xnames <- names(coef(plm1)) # a vector of all independent variables' names in 'plm1'
# Use 'grepl' to construct a vector of logic value that is TRUE if the variable
# name starts with 'Female:' at the beginning. This is generic, to pick up
# every variable that starts with 'year' at the beginning, just write
# 'grepl('^year+', xnames)'.
picked <- grepl('^Female:+', xnames)
linearHypothesis(plm1, xnames[picked])

# Hypothesis:
# Female:year - 1.5 = 0
# Female:year - 0.5 = 0
# Female:year0.5 = 0
# Female:year1.5 = 0
# Female:year2.5 = 0
# 
# Model 1: restricted model
# Model 2: math ~ Female * (year)
# 
#   Res.Df Df Chisq Pr(>Chisq)
# 1   5504                    
# 2   5499  5  6.15       0.29