我可以用 plm 包估计那些模型吗
Can I estimate those models with the plm package
我想比较以下模型的估计,但我不知道我是否可以用 plm 包估计模型 (5):
1/ 合并 -> Yit
fit.pooling <- plm(form, data = pdata, model = "pooling")
2/ 内 (ind/time/both 效果) -> Yit - Yi。 / Yit - Yt。 / 奕——奕。 - Yt.
fit.fe <- plm(form, data = pdata, model = "within", effect="ind"/"time"/"twoways")
3/ Between (ind/time effects)-> Yi. / Yt.
fit.bet <- plm(form, data = pdata, model = "between", effect="ind"/"time")
4/随机效应(ind/time/both效应)-> Yit - aYi。 / Yit - aYt. / Yit-aYi. - bYt.
fit.re <- plm(form, data = pdata, model = "random", effect="ind"/"time"/"twoways")
5/ 固定时间效应的随机效应或固定效应的随机效应? -> Yit - aYi. - Yt。 / Yit - aYt. - 易.
我可以用 plm 包估算那些模型吗?
让我们将 5) 拆分为 5.1) 和 5.2):
5.1) 随机个别效果固定时间效果
5.2) 随机 time 效应,个体效应固定。
这种类型的模型,Baltagi 在他的教科书中称为混合误差分量模型,并且 - 我认为 - EViews 将其称为混合模型(但在 MLE 上下文中不要将其误认为是混合效应模型) .
两者都可以像这样安装plm:
5.1)
fit.mix5.1 <- plm(<your formula + factor(timeindex)>, data = pdata, model = "random", effect = "individual")
5.2)
fit.mix5.2 <- plm(<your formula + factor(indindex)>, data = pdata, model = "random", effect = "time")
其中 factor(timeindex) 或 factor(indindex) 分别是作为因子的时间或单个索引。
我想比较以下模型的估计,但我不知道我是否可以用 plm 包估计模型 (5):
1/ 合并 -> Yit
fit.pooling <- plm(form, data = pdata, model = "pooling")
2/ 内 (ind/time/both 效果) -> Yit - Yi。 / Yit - Yt。 / 奕——奕。 - Yt.
fit.fe <- plm(form, data = pdata, model = "within", effect="ind"/"time"/"twoways")
3/ Between (ind/time effects)-> Yi. / Yt.
fit.bet <- plm(form, data = pdata, model = "between", effect="ind"/"time")
4/随机效应(ind/time/both效应)-> Yit - aYi。 / Yit - aYt. / Yit-aYi. - bYt.
fit.re <- plm(form, data = pdata, model = "random", effect="ind"/"time"/"twoways")
5/ 固定时间效应的随机效应或固定效应的随机效应? -> Yit - aYi. - Yt。 / Yit - aYt. - 易.
我可以用 plm 包估算那些模型吗?
让我们将 5) 拆分为 5.1) 和 5.2):
5.1) 随机个别效果固定时间效果
5.2) 随机 time 效应,个体效应固定。
这种类型的模型,Baltagi 在他的教科书中称为混合误差分量模型,并且 - 我认为 - EViews 将其称为混合模型(但在 MLE 上下文中不要将其误认为是混合效应模型) .
两者都可以像这样安装plm:
5.1)
fit.mix5.1 <- plm(<your formula + factor(timeindex)>, data = pdata, model = "random", effect = "individual")
5.2)
fit.mix5.2 <- plm(<your formula + factor(indindex)>, data = pdata, model = "random", effect = "time")
其中 factor(timeindex) 或 factor(indindex) 分别是作为因子的时间或单个索引。