R - Plm 和 lm - 固定效果

Question

我有一个平衡的面板数据集，df，它基本上由三个变量组成，A、B 和 Y，对于一堆唯一标识的区域随着时间的推移而变化。我想运行一个回归，包括区域（下面等式中的区域）和时间（年）固定效应。如果我没记错的话，我可以通过不同的方式实现这一点：

lm(Y ~ A + B + factor(region) + factor(year), data = df)

或

library(plm)
plm(Y ~ A + B, 
    data = df, index = c('region', 'year'), model = 'within',
    effect = 'twoways')

在第二个等式中，我指定了索引（region 和 year）、模型类型（'within', FE）和 FE 的性质（'twoways' ，这意味着我同时包括区域和时间 FE)。

尽管我似乎做事正确，但我得到的结果却截然不同。当我不考虑时间固定效应并使用参数effect = 'individual'时，问题就消失了。 这是怎么回事？我错过了什么吗？是否有任何其他 R 包允许运行相同的分析？

Answer 1

也许发布您的数据示例将有助于回答这个问题。对于一些虚构的数据，我得到了相同的系数。你也可以使用 lfe 包中的 felm 来做同样的事情：

N <- 10000
df <- data.frame(a = rnorm(N), b = rnorm(N),
                 region = rep(1:100, each = 100), year = rep(1:100, 100))
df$y <- 2 * df$a - 1.5 * df$b + rnorm(N)


model.a <- lm(y ~ a + b + factor(year) + factor(region), data = df)
summary(model.a)
#  (Intercept)       -0.0522691  0.1422052   -0.368   0.7132    
#  a                  1.9982165  0.0101501  196.866   <2e-16 ***
#  b                 -1.4787359  0.0101666 -145.450   <2e-16 ***

library(plm)
pdf <- pdata.frame(df, index = c("region", "year"))

model.b <- plm(y ~ a + b, data = pdf, model = "within", effect = "twoways")
summary(model.b)

# Coefficients :
#    Estimate Std. Error t-value  Pr(>|t|)    
# a  1.998217   0.010150  196.87 < 2.2e-16 ***
# b -1.478736   0.010167 -145.45 < 2.2e-16 ***

library(lfe)

model.c <- felm(y ~ a + b | factor(region) + factor(year), data = df)
summary(model.c)

# Coefficients:
#   Estimate Std. Error t value Pr(>|t|)    
# a  1.99822    0.01015   196.9   <2e-16 ***
# b -1.47874    0.01017  -145.4   <2e-16 ***

Answer 2

这似乎不是数据问题。

我正在使用 Wooldridge (2012) Introductory Econometrics 的 R 语言进行计算机练习。特别是第 14 章 CE.1（数据是租赁文件，地址：https://www.cengage.com/cgi-wadsworth/course_products_wp.pl?fid=M20b&product_isbn_issn=9781111531041）

我计算了模型的差异（在 Python 中）

model_diff = smf.ols(formula='diff_lrent ~ diff_lpop + diff_lavginc + diff_pctstu', data=rental).fit()

OLS 回归结果

==============================================================================
Dep. Variable:             diff_lrent   R-squared:                       0.322
Model:                            OLS   Adj. R-squared:                  0.288
Method:                 Least Squares   F-statistic:                     9.510
Date:                Sun, 05 Nov 2017   Prob (F-statistic):           3.14e-05
Time:                        00:46:55   Log-Likelihood:                 65.272
No. Observations:                  64   AIC:                            -122.5
Df Residuals:                      60   BIC:                            -113.9
Df Model:                           3                                         
Covariance Type:            nonrobust                                         
================================================================================
                   coef    std err          t      P>|t|      [0.025      0.975]
--------------------------------------------------------------------------------
Intercept        0.3855      0.037     10.469      0.000       0.312       0.459
diff_lpop        0.0722      0.088      0.818      0.417      -0.104       0.249
diff_lavginc     0.3100      0.066      4.663      0.000       0.177       0.443
diff_pctstu      0.0112      0.004      2.711      0.009       0.003       0.019
==============================================================================
Omnibus:                        2.653   Durbin-Watson:                   1.655
Prob(Omnibus):                  0.265   Jarque-Bera (JB):                2.335
Skew:                           0.467   Prob(JB):                        0.311
Kurtosis:                       2.934   Cond. No.                         23.0
==============================================================================

现在，R 中的 PLM 包对一阶差分模型给出了相同的结果：

库(plm) modelfd

目前没有问题。但是，固定效应报告的估计值不同。

modelfx

FE 结果不应该有任何不同。其实电脑练习题是：

(iv) Estimate the model by fixed effects to verify that you get identical estimates and standard errors to those in part (iii).

我最好的客人是我想念理解 R 包上的一些东西。