membandingkan kelompok dalam pengukuran FE model berulang, dengan komponen kesalahan bersarang, diperkirakan menggunakan plm

Saya memperkirakan beberapa tindakan berulang model Fixed Effects, dengan komponen kesalahan bersarang, berdasarkan pada variabel pengelompokan, yaitu model non-bersarang, menggunakan plm. Saya sekarang tertarik

1. uji apakah model lengkap berbeda secara signifikan, yaitu mana adalah model lengkap untuk dan adalah model lengkap untuk dan $$H_o: \beta_{Female} = \beta_{Male}$$ $\beta_{Female}$Females$\beta_{Male}$Males
2. selanjutnya menguji koefisien regresi yang dipilih antara dua kelompok, yaitu mana adalah koefisien regresi untuk wanita at , dan adalah koefisien regresi untuk pria di . $$H_o: \beta_{Female == year1.5} = \beta_{Male == year1.5}$$ $\beta_{Female == year1.5}$year1.5$\beta_{Male == year1.5}$year1.5

Saya akan menggambarkan situasi menggunakan contoh kerja di bawah ini,

Pertama, beberapa paket dibutuhkan,

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

Kedua, beberapa persiapan data,

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

Ketiga, saya memperkirakan satu set model untuk setiap gender dalam data

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") )

Keempat, mari kita lihat dua model yang diperkirakan,

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    #> 

Sekarang, saya ingin menguji apakah kedua model (OLS linear) ini berbeda secara signifikan, lih. point1 di atas. Saya melihat - lihat SO dan internet dan beberapa menyarankan bahwa saya perlu menggunakan plm::pFtest(), juga menyarankan di sini , yang telah saya coba, tetapi saya tidak yakin. Saya akan membayangkan beberapa tes untuk model non-bersarang, tes Cox mungkin lmtest::coxtest,, tapi saya tidak yakin sama sekali. Jika seseorang di sini mungkin bisa membantu saya.

Saya mencoba,

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

dan,

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

Kedua, saya tertarik untuk membandingkan koefisien regresi antara dua kelompok. Katakanlah, apakah estimasi untuk year1.53.04 berbeda secara signifikan dari 3.17? Lih poin 2 di atas.

Silakan tanyakan apakah ada di atas yang tidak jelas dan saya akan dengan senang hati menjelaskan. Bantuan apa pun akan sangat dihargai!

Saya menyadari pertanyaan ini agak seperti pemrograman, tetapi saya awalnya mempostingnya di SO. Namun, DWin cukup baik untuk menunjukkan bahwa pertanyaan itu milik CrossValidated dan memigrasikannya di sini.

model efek-tetap r plm bersarang-data pengujian hipotesis tindakan berulang data panel model campuran regresi data panel model non-bersarang model bersarang

Kode berikut menerapkan praktik menempatkan interaksi antara Femaleboneka dan tahun. Tes F di bagian bawah menguji nol Anda$\beta_{Female} = \beta_{Male}$. Statistik-t dari plmoutput menguji null Anda$\beta_{Female:year=1.5}=\beta_{Male:year=1.5}$. Khususnya, untuk year=1.5, nilai-p adalah 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