Saya mencoba melakukan uji F mengenai signifikansi efek tetap (variabel dummy spesifik individu) pada regresi OLS data panel (dalam R), namun saya belum menemukan cara untuk menyelesaikan hal ini untuk sejumlah besar efek tetap. . Idealnya, saya akan menggunakan fungsi dalam paket plm, namun saya tidak menemukan apapun yang secara khusus melakukan tes ini. Ini adalah sesuatu yang dilakukan Stata secara otomatis saat menggunakan perintah xtreg, fe. Di Stata, hasilnya terlihat seperti ini: Sekali lagi, saya mencoba untuk mereproduksi hasil Stata di R untuk sejumlah besar variabel dummy, mungkin ditentukan oleh faktor (us. state) dengan menggunakan model lm () atau model fe menggunakan plm (). Berikut adalah contoh yang dapat direproduksi: yang setara dengan yang berikut dalam regresi dengan menggunakan paket plm. Jadi, tes akan menjadi ujian bahwa semua variabel dummy negara secara bersama berbeda dari nol (sama signifikannya). Ini adalah pembatasan linier pada model tak terbatas (reg1 dan reg1.fe di atas). Tes F ini lebih baik dijelaskan pada dokumen berikut (lihat slide 5-7). Berikut adalah salah satu usaha saya yang lemah untuk membuat matriks R untuk uji F dengan hipotesis nol: Rb q di mana b adalah matriks koefisien (beta hat), dan q adalah vektor angka nol. Ini tidak bekerja Dan, Im berharap ada pendekatan yang efisien untuk menguji signifikansi bersama dari semua variabel dummy efek tetap. Pertama, Id ingin menyarankan agar pertanyaan Anda dapat diperbaiki dengan (1) memberikan contoh yang dapat direproduksi, dan (2) menjelaskan tes tepat yang Anda lihat saat Anda mengucapkan tes F. Sebuah link ke Stata docs mungkin F adalah distribusi, jadi bisa ada tes trilyun yang disebut tes F. Jika minat substantif Anda terletak pada penentuan apakah model efek tetap sesuai dengan data yang secara signifikan lebih baik daripada OLS tanpa efek tetap, maka Anda dapat selalu menggunakan uji rasio kemungkinan. Im yakin ada banyak implementasi di R, tapi yang disediakan oleh paket lmtest cukup nyaman. Heres sebuah contoh menggunakan dataset yang disebarkan dengan paket plm (sepertinya Anda sudah terinstal, jadi sebaiknya mudah dicoba). Saya pikir plm39s pFtest () fungsi dapat melakukan apa yang Anda inginkan (lihat jawaban saya diedit). Hasilnya tidak persis sama dengan keluaran Stata Anda, yang mungkin karena parameter pertama dari distribusi F berbeda. Tapi ketika saya menyesuaikan kedua model secara terpisah dengan lm (), saya mendapatkan derajat kebebasan 543 dan 498 (selisih 45), jadi R sepertinya ada di sini. Lihat apakah Anda mendapatkan tingkat kebebasan yang sama di Stata saat Anda menyesuaikan penyatuan dan dalam model secara terpisah. Masalah dengan perangkat lunak sumber tertutup seperti Stata adalah kita tidak akan pernah tahu persis bagaimana mereka menghitung uji F mereka. Ndash Vincent 30 Mei 11 jam 3:50 Saya sangat tidak berpikir bahwa tes ini berguna sama sekali. Alih-alih memperkirakan apa yang Anda sebut efek tetap (tidak menyebutnya model penyatuan), mengapa tidak model hierarkis Model hierarkis (atau model penyatuan parsial) akan memungkinkan perkiraan Anda menyusut menjadi komom untuk negara, namun tanpa memaksakan Mereka sama. Morevoer, jika Anda perlu menilai berapa banyak keadaan bervariasi, Anda hanya perlu menggunakan varians yang diperkirakan antara negara dan intra-negara. Jika varians antara negara rendah (mendekati nol), dari pada yang Anda arent dapatkan begitu banyak dengan menggunakan model hierarkis dan penyadapannya kira-kira sama. Jika variansnya sangat besar (dalam batasannya, bila tidak mencapai batas) model hirarki sedikit menambahkan dan Anda bisa menjalankan model terpisah untuk setiap negara bagian. Anda bisa memperkirakan model hirarkis di R dengan paket lme4. Menggunakan data Anda: Perkiraan deviasi standar pencegatan oleh negara adalah 4.39 dan standar deviasi oleh individu adalah 4.19. Cara terbaik untuk menemukan periodisitas dalam rangkaian data reguler adalah memeriksa spektrum kekuatannya setelah menghapus keseluruhan tren. (Ini cocok untuk penyaringan otomatis bila daya total dinormalisasi ke nilai standar, seperti persatuan.) Pelepasan tren awal (dan perbedaan opsional untuk menghilangkan korelasi serial) sangat penting untuk menghindari periode perancu dengan perilaku lainnya. Spektrum daya adalah transformasi Fourier diskrit fungsi autokovarisi dari versi yang benar dari seri aslinya. Jika Anda memikirkan rangkaian waktu sebagai contoh bentuk gelombang fisik, Anda dapat memperkirakan berapa banyak daya total gelombang yang dibawa dalam setiap frekuensi. Spektrum daya (atau periodogram) memplot kekuatan versus frekuensi. Siklik (yaitu, pola berulang atau musiman) akan muncul sebagai lonjakan besar yang berada pada frekuensi mereka. Sebagai contoh, pertimbangkan rangkaian waktu residu (simulasi) residu ini dari pengukuran harian yang dilakukan selama satu tahun (365 nilai). Nilai berfluktuasi sekitar 0 tanpa tren yang jelas, menunjukkan bahwa semua tren penting telah dihapus. Fluktuasi tampak acak: tidak ada periodisitas yang terlihat. Heres plot lain dari data yang sama, ditarik untuk membantu kita melihat kemungkinan pola periodik. Jika Anda terlihat sangat keras, Anda mungkin bisa melihat pola bising tapi berulang yang terjadi 11 sampai 12 kali. Urutan rindu nilai di atas nol dan di bawah nol setidaknya menunjukkan autokorelasi positif, menunjukkan seri ini tidak sepenuhnya acak. Heres periodogram, ditunjukkan untuk frekuensi hingga 91 (seperempat dari total panjang seri). Itu dibangun dengan jendela Welch dan dinormalisasi ke area unit (untuk keseluruhan periode, tidak hanya bagian yang ditunjukkan di sini). Kekuatannya terlihat seperti white noise (fluktuasi acak kecil) ditambah dua duri yang menonjol. Mereka sulit dilewatkan, arent mereka Semakin besar terjadi pada periode 12 dan yang lebih kecil pada periode 52. Metode ini telah mendeteksi siklus bulanan dan siklus mingguan dalam data ini. Itu benar-benar semua ada untuk itu. Untuk mengotomatisasi deteksi siklus (seasonality), cukup pindai periodogram (yang merupakan daftar nilai) untuk maxima lokal yang relatif besar. Waktunya untuk mengungkapkan bagaimana data ini dibuat. Nilai-nilainya dihasilkan dari sejumlah dua gelombang sinus, satu dengan frekuensi 12 (amplitudo kuadrat 34) dan yang lainnya dengan frekuensi 52 (amplitudo kuadrat 14). Inilah yang dilipat dalam periodogram yang terdeteksi. Jumlah mereka ditunjukkan sebagai kurva hitam tebal. Iid Kebisingan normal varians 2 kemudian ditambahkan, seperti yang ditunjukkan oleh bar abu-abu terang yang membentang dari kurva hitam ke titik-titik merah. Kebisingan ini mengenalkan goncangan tingkat rendah di bagian bawah periodogram, yang sebaliknya hanya berupa flat 0. Sepenuhnya dua pertiga variasi total nilai non-periodik dan acak, yang sangat bising: itulah sebabnya mengapa Begitu sulit untuk melihat periodisitas hanya dengan melihat titik-titiknya. Meski demikian (sebagian karena ada begitu banyak data) menemukan frekuensi dengan periodogram itu mudah dan hasilnya jelas. Petunjuk dan saran bagus untuk menghitung periodogram muncul di situs Numerical Recipes: cari bagian estimasi spektrum daya menggunakan FFT. R memiliki kode untuk estimasi periodogram. Ilustrasi ini dibuat dalam Mathematica 8 periodogram dihitung dengan fungsi Fourier-nya. Jawab 28 Sep 11 pada 16:38 Asumsi setelah menyelesaikan keseluruhan trendquotis Achilles Heel karena mungkin ada banyak tren waktu, banyak pergeseran tingkat yang semuanya dikecualikan dalam contoh Anda. Gagasan bahwa rangkaian masukan bersifat deterministik di lalat di Menghadapi kemungkinan adanya struktur ARIMA musiman dan teratur. Nilai One-Time yang tidak diobati tidak biasa akan mendistorsi setiap skema identifikasi berbasis periodogram karena bias turun ke perkiraan periode yang menghasilkan tidak signifikan. Jika efek mingguan dan bulanan berubah pada beberapa titik di masa lalu, prosedur berbasis periodogram akan gagal dalam ndash IrishStat Sep 29 11 di 0:06 Irlandia Saya pikir komentar Anda mungkin agak melebih-lebihkan. Paling mendasar untuk mencari dan memperlakukan quotUnusual One-Time Valuequot (alias outlier), jadi ini hanya perlu disebutkan bahwa beberapa estimator deret waktu mungkin sensitif terhadap outlier. Nilai yang ditentukan di alamuntuk salah mengartikan gagasan dasar: tidak ada yang menduga ada determinisme (yang dibuktikan dengan banyaknya noise dalam simulasi). Simulasi ini menggabungkan sinyal periodik yang pasti sebagai model - namun mendekati perkiraan - hanya untuk menggambarkan hubungan antara periodogram dan musiman. (Lanjutan.) Ndash whuber 9830 29 Sep 11 11 di 16:41 Ya, perubahan musiman dapat mengaburkan periodogram (dan acf, dll.), Terutama perubahan frekuensi (tidak mungkin) atau fase (mungkin). Referensi dalam posting saya memberikan solusi untuk mengatasinya: mereka merekomendasikan menggunakan jendela bergerak untuk estimasi periodogram. Ada sebuah seni untuk ini, dan jelas ada jebakan, sehingga banyak analisis deret waktu akan mendapatkan keuntungan dari perawatan ahli, seperti yang Anda advokat. Tapi pertanyaannya menanyakan apakah ada metode lain untuk mendeteksi seasonalityquot dan yang tidak dapat dipungkiri bahwa periodogramnya adalah pilihan yang kuat secara statistik, efisien secara komputasi, mudah ditafsirkan. Ndash whuber 9830 29 Sep 11 11 di 16:46 Di duniaku menggunakan sinescosines adalah efek quotdeterministicquot seperti indikator bulan tahun ini. Pemasangan model pre-specifed membatasi nilai yang sesuai dengan pola yang ditentukan pengguna, seringkali sub-standar. Data harus dicantumkan dengan jelas untuk membantu perangkat lunak komputer analis untuk secara efektif membedakan input input tetap dan stochastic n. b. Saya mengacu pada struktur ARIMA tertinggal sebagai stokastik atau adaptif quotdriversquot karena nilai pas disesuaikan dengan perubahan dalam sejarah seri. Menurut pendapat saya pemanfaatan periodogram quotoversellsquot pemodelan statistik sederhana ndash IrishStat 29 September 11 at 17:44 whuber Mengulangi hal yang sama mungkin tidak berguna. Namun, mungkin juga bagus untuk memperbaiki paragraf di bawah periodogram untuk mengatakan bahwa duri terletak pada frekuensi kuotasi 12 dan 52 kali per tahun, dan bukan kuotasi kuotasi. Memperbaiki plot juga untuk mengatakan quotfrequencyquot daripada quotperiodquot mungkin bagus juga jika Anda pikir itu tidak terlalu mengganggu. Ndash Celelibi 11 Okt 16 at 15:29 Musiman dapat dan sering berubah seiring waktu sehingga ukuran ringkasan bisa sangat tidak memadai untuk mendeteksi struktur. Kita perlu menguji transien koefisien ARIMA dan sering berubah pada dummy musiman. Misalnya dalam horizon 10 tahun mungkin ada efek bulan Juni untuk tahun-tahun pertama tapi 10 k tahun terakhir ada bukti efek bulan Juni. Efek komposit Juni yang sederhana mungkin tidak signifikan karena pengaruhnya tidak konstan dari waktu ke waktu. Dengan cara yang sama, komponen ARIMA musiman mungkin juga telah berubah. Perhatian harus diberikan untuk mencakup pergeseran tingkat lokal dan atau tren waktu setempat sambil memastikan bahwa varians kesalahan tetap konstan seiring berjalannya waktu. Seseorang tidak boleh mengevaluasi transformasi seperti GLSweighted least Squares atau transformasi daya seperti akar logssquare, dll pada data asli namun berdasarkan kesalahan dari model tentatif. Asumsi Gauss tidak ada hubungannya dengan data yang teramati namun berkaitan dengan kesalahan dari model. Hal ini disebabkan oleh dasar-dasar uji statistik yang menggunakan rasio variabel chi-square non-pusat pada variabel chi-square pusat. Jika Anda ingin memposting serangkaian contoh dari dunia Anda, saya akan dengan senang hati memberi Anda dan daftar analisis menyeluruh yang mengarah pada pendeteksian struktur musiman. Menjawab 27 Sep 11 11 di 18:36 Jawaban Charlies bagus, dan di mana Id mulai. Jika Anda tidak ingin menggunakan grafik ACF, Anda bisa membuat variabel dummy k-1 untuk periode waktu k yang ada. Maka Anda dapat melihat apakah variabel dummy signifikan dalam regresi dengan variabel dummy (dan cenderung merupakan istilah tren). Jika data Anda triwulanan: dummy Q2 adalah 1 jika ini adalah kuartal kedua, lain 0 dummy Q3 adalah 1 jika ini adalah kuartal ketiga, lain 0 dummy Q4 adalah 1 jika ini adalah kuartal keempat, else 0 Catatan kuartal 1 adalah Kasus dasar (semua 3 dummies nol) Anda mungkin ingin juga memeriksa dekomposisi rangkaian waktu di Minitab - yang sering disebut dekomposisi klasik. Pada akhirnya, Anda mungkin ingin menggunakan sesuatu yang lebih modern, tapi ini adalah tempat yang sederhana untuk memulai. Menjawab 27 Sep 11 11 di 18:53 Saya agak baru mengenal R sendiri, tapi pemahaman saya tentang fungsi ACF adalah bahwa jika garis vertikal berjalan di atas garis putus-putus atau di bawah garis putus-putus, ada beberapa autoregresi (termasuk musim) . Coba buat sebuah vektor sinus yang dijawab 27 Sep 11 11 15:47 Pemasangan sinescosines dll bisa berguna untuk beberapa rangkaian waktu fisik atau elektrik tapi Anda harus sadar akan MSB. Spesifikasi Model Bias. Ndash IrishStat 28 September 11 jam 14:31 Autoregression tidak menyiratkan musiman. Ndash Jens 22 Nov 13 di 12:32 Jawaban Anda 2017 Stack Exchange, Inc
No comments:
Post a Comment