Estoy tratando de entender el error estándar "agrupamiento" y cómo ejecutarlo en R (es trivial en Stata). En RI no he tenido éxito usando plmo escribiendo mi propia función. Usaré los diamondsdatos del ggplot2paquete.
Puedo hacer efectos fijos con variables ficticias
> library(plyr)
> library(ggplot2)
> library(lmtest)
> library(sandwich)
> # with dummies to create fixed effects
> fe.lsdv <- lm(price ~ carat + factor(cut) + 0, data = diamonds)
> ct.lsdv <- coeftest(fe.lsdv, vcov. = vcovHC)
> ct.lsdv
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
carat 7871.082 24.892 316.207 < 2.2e-16 ***
factor(cut)Fair -3875.470 51.190 -75.707 < 2.2e-16 ***
factor(cut)Good -2755.138 26.570 -103.692 < 2.2e-16 ***
factor(cut)Very Good -2365.334 20.548 -115.111 < 2.2e-16 ***
factor(cut)Premium -2436.393 21.172 -115.075 < 2.2e-16 ***
factor(cut)Ideal -2074.546 16.092 -128.920 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 o desanimando los lados izquierdo y derecho (no hay regresores invariables en el tiempo aquí) y corrigiendo los grados de libertad.
> # by demeaning with degrees of freedom correction
> diamonds <- ddply(diamonds, .(cut), transform, price.dm = price - mean(price), carat.dm = carat .... [TRUNCATED]
> fe.dm <- lm(price.dm ~ carat.dm + 0, data = diamonds)
> ct.dm <- coeftest(fe.dm, vcov. = vcovHC, df = nrow(diamonds) - 1 - 5)
> ct.dm
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
carat.dm 7871.082 24.888 316.26 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 No puedo replicar estos resultados plm, porque no tengo un índice de "tiempo" (es decir, esto no es realmente un panel, solo clústeres que podrían tener un sesgo común en sus términos de error).
> plm.temp <- plm(price ~ carat, data = diamonds, index = "cut")
duplicate couples (time-id)
Error in pdim.default(index[[1]], index[[2]]) : También intenté codificar mi propia matriz de covarianza con error estándar agrupado utilizando la explicación de Stata de su clusteropción ( explicada aquí ), que es resolver donde , si el número de grupos, es el residuo para la observación y es el vector fila de predictores, incluida la constante (esto también aparece como la ecuación (7.22) en la sección transversal de Wooldridge y los datos del panel
) Pero el siguiente código proporciona matrices de covarianza muy grandes. ¿Son estos valores muy grandes dada la pequeña cantidad de grupos que tengo? Dado que no puedo
plmhacer clusters en un factor, no estoy seguro de cómo comparar mi código.
> # with cluster robust se
> lm.temp <- lm(price ~ carat + factor(cut) + 0, data = diamonds)
>
> # using the model that Stata uses
> stata.clustering <- function(x, clu, res) {
+ x <- as.matrix(x)
+ clu <- as.vector(clu)
+ res <- as.vector(res)
+ fac <- unique(clu)
+ num.fac <- length(fac)
+ num.reg <- ncol(x)
+ u <- matrix(NA, nrow = num.fac, ncol = num.reg)
+ meat <- matrix(NA, nrow = num.reg, ncol = num.reg)
+
+ # outer terms (X'X)^-1
+ outer <- solve(t(x) %*% x)
+
+ # inner term sum_j u_j'u_j where u_j = sum_i e_i * x_i
+ for (i in seq(num.fac)) {
+ index.loop <- clu == fac[i]
+ res.loop <- res[index.loop]
+ x.loop <- x[clu == fac[i], ]
+ u[i, ] <- as.vector(colSums(res.loop * x.loop))
+ }
+ inner <- t(u) %*% u
+
+ #
+ V <- outer %*% inner %*% outer
+ return(V)
+ }
> x.temp <- data.frame(const = 1, diamonds[, "carat"])
> summary(lm.temp)
Call:
lm(formula = price ~ carat + factor(cut) + 0, data = diamonds)
Residuals:
Min 1Q Median 3Q Max
-17540.7 -791.6 -37.6 522.1 12721.4
Coefficients:
Estimate Std. Error t value Pr(>|t|)
carat 7871.08 13.98 563.0 <2e-16 ***
factor(cut)Fair -3875.47 40.41 -95.9 <2e-16 ***
factor(cut)Good -2755.14 24.63 -111.9 <2e-16 ***
factor(cut)Very Good -2365.33 17.78 -133.0 <2e-16 ***
factor(cut)Premium -2436.39 17.92 -136.0 <2e-16 ***
factor(cut)Ideal -2074.55 14.23 -145.8 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1511 on 53934 degrees of freedom
Multiple R-squared: 0.9272, Adjusted R-squared: 0.9272
F-statistic: 1.145e+05 on 6 and 53934 DF, p-value: < 2.2e-16
> stata.clustering(x = x.temp, clu = diamonds$cut, res = lm.temp$residuals)
const diamonds....carat..
const 11352.64 -14227.44
diamonds....carat.. -14227.44 17830.22¿Se puede hacer esto en R? Es una técnica bastante común en econometría (hay un breve tutorial en esta conferencia ), pero no puedo entenderlo en R. ¡Gracias!
77
@ricardh, maldiga a todos los economistas por no verificar si el término que quieren usar ya está en las estadísticas. Clúster en este contexto significa grupo y no tiene ninguna relación con el análisis de conglomerados, por eso rseek le dio resultados no relacionados. Por lo tanto, eliminé la etiqueta de agrupación. Para el análisis de datos del panel, consulte el paquete plm . Tiene una bonita viñeta, por lo que puede encontrar lo que desea. En cuanto a su pregunta, no está claro lo que quiere. ¿Dentro de los errores estándar del grupo?
—
mpiktas
@ricardh, ayudaría mucho si pudiera vincular a algún manual de Stata donde
—
mpiktas
clusterse explica esta opción. Estoy seguro de que sería posible replicar en R.
+1 por ese comentario. Los economistas colonizan la terminología como locos. Aunque a veces es difícil elegir al villano. Me tomó un tiempo, por ejemplo, hasta que me di cuenta de que
—
hans0l0
factorno tenía nada que ver factanalsino que se refería a variables categorizadas. Sin embargo, el clúster en R se refiere al análisis de clúster, k-means es simplemente EL método de partición: statmethods.net/advstats/cluster.html . No entiendo tu pregunta, pero también supongo que el clúster no tiene nada que ver con eso.
@mpiktas, @ ran2 - ¡Gracias! Espero haber aclarado la pregunta. En resumen, ¿por qué existe la "agrupación de errores estándar" si solo se trata de efectos fijos, que ya existían?
—
Richard Herron