多个样本的 R 回归
R regression on multiple samples
我正在使用 R
我有一个面板数据集,其中包含 250 个人随时间推移的约 5000 次观察。
我需要在差异回归中建立差异,因此我对每个人进行随机观察,然后 运行 进行回归:
lm(x ~ x1 + x2 + ... , data = ddply(df,.(individual),function(x) x[sample(nrow(x),1),]))
生成的样本。
我需要对 n 个不同的随机样本计算 n
次回归,并计算每个估计量的平均值。
有没有一种方法可以在不手动计算和平均 n
回归的情况下有效地做到这一点?
已解决:
我希望找到一个特定的包来完成它,但我构建了一个函数。例如,对于 n = 700
fun <- function(alfa){
alfa <-ddply(df,.(individual),function(x) x[sample(nrow(x),1),])
beta <- lm(x ~ x1 + x2 + ... , data = alfa )$coefficients
return(beta)
}
df.full <- replicate(700,fun(alfa))
这样就创建了一个700行的数据集,系数名称为行。我什至可以做这样的事情:
fun <- function(alfa){
alfa <-ddply(df,.(individual),function(x) x[sample(nrow(x),1),])
beta <- lm(x ~ x1 + x2 + ... , data = alfa)
gamma <- summary(beta)[["coefficients"]][,1]
return(gamma)
}
df.full <- replicate(700,fun(alfa))
将 [1] 更改为 [2] 我将获得标准错误。之后直接进行均值计算
我正在使用 R
我有一个面板数据集,其中包含 250 个人随时间推移的约 5000 次观察。
我需要在差异回归中建立差异,因此我对每个人进行随机观察,然后 运行 进行回归:
lm(x ~ x1 + x2 + ... , data = ddply(df,.(individual),function(x) x[sample(nrow(x),1),]))
生成的样本。
我需要对 n 个不同的随机样本计算 n
次回归,并计算每个估计量的平均值。
有没有一种方法可以在不手动计算和平均 n
回归的情况下有效地做到这一点?
已解决:
我希望找到一个特定的包来完成它,但我构建了一个函数。例如,对于 n = 700
fun <- function(alfa){
alfa <-ddply(df,.(individual),function(x) x[sample(nrow(x),1),])
beta <- lm(x ~ x1 + x2 + ... , data = alfa )$coefficients
return(beta)
}
df.full <- replicate(700,fun(alfa))
这样就创建了一个700行的数据集,系数名称为行。我什至可以做这样的事情:
fun <- function(alfa){
alfa <-ddply(df,.(individual),function(x) x[sample(nrow(x),1),])
beta <- lm(x ~ x1 + x2 + ... , data = alfa)
gamma <- summary(beta)[["coefficients"]][,1]
return(gamma)
}
df.full <- replicate(700,fun(alfa))
将 [1] 更改为 [2] 我将获得标准错误。之后直接进行均值计算