feols - fixst：遍历因变量
feols - fixest: loop over dependent variable
我正在尝试使用 fixst 包中的 feols 函数遍历一组因变量。
在使用 lm 或 lfe::felm 的基础上，我会简单地使用 get() 函数。使用 fixst，我收到一个错误。为什么会这样，有没有办法解决它？这是一个可重现的例子：
library(data.table)
library(lfe)
library(fixest)
N <- 1000
dt <- data.table(
x1 = rnorm(N),
x2 = rnorm(N),
x3 = rnorm(N)
)
beta <- rnorm(3)
dt[, y1 := x1*beta[1] + x2*beta[2] * x3*beta[3] + rnorm(N)]
dt[, y2 := x1*beta[1] + x2*beta[2] * x3*beta[3] + rnorm(N)]
dt[, y3 := x1*beta[1] + x2*beta[2] * x3*beta[3] + rnorm(N)]
dt
beta
depvars <- c("y1", "y2", "y3")
res_lm <-
lapply(depvars, function(i){
res <- lm(get(i) ~ x1 + x2 + x3, data = dt)
summary(res)
})
res_felm <-
lapply(depvars, function(i){
res <- felm(get(i) ~ x1 + x2 + x3, data = dt)
summary(res)
})
res_feols <-
lapply(depvars, function(i){
res <- feols(get(i) ~ x1 + x2 + x3, data = dt)
summary(res)
})
# Error in feols(get(i) ~ x1 + x2 + x3, data = dt) :
# The variable i is in the LHS of the formula but not in the dataset.
我认为这是因为 feols 将 未计算的 公式 get(i) ~ x1 + x2 + x3 传递给了 fixest_env。当未评估的 get(i) 到达 fixest_env 时，它在调用环境中不再有引用，因此它会抛出错误。
解决方法是确保公式包含您希望用作 DV 的变量的实际名称。您可以通过将字符串转换为公式来完成此操作：
lapply(depvars, function(i) {
fml <- as.formula(paste(i, "~ x1 + x2 + x3"))
res <- feols(fml, data = dt)
summary(res)
})
哪个returns:
#> [[1]]
#> OLS estimation, Dep. Var.: y1
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.057391 0.036018 -1.593400 0.111389
#> x1 0.350159 0.036080 9.705000 < 2.2e-16 ***
#> x2 -0.058296 0.036721 -1.587500 0.112711
#> x3 0.012196 0.036110 0.337733 0.735635
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,545.80 Adj. R2: 0.0864
#>
#> [[2]]
#> OLS estimation, Dep. Var.: y2
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.013447 0.036563 -0.367778 0.713117
#> x1 0.369671 0.036626 10.093000 < 2.2e-16 ***
#> x2 0.004896 0.037277 0.131345 0.895529
#> x3 0.019210 0.036656 0.524056 0.600357
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,560.80 Adj. R2: 0.09126
#>
#> [[3]]
#> OLS estimation, Dep. Var.: y3
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.020945 0.036181 -0.578896 0.56279
#> x1 0.397365 0.036244 10.964000 < 2.2e-16 ***
#> x2 -0.057537 0.036887 -1.559800 0.119126
#> x3 0.032324 0.036274 0.891114 0.373083
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,550.31 Adj. R2: 0.10881
更新
从fixest0.8.0版本开始，可以直接进行多重估计：
res <- feols(c(y1, y2, y3) ~ x1 + x2 + x3, data = dt)
etable(res)
前面的代码执行了 3 个估计，每个因变量一个。请注意，您还可以有多个 RHS、多个 fixed-effects 或多个样本
（参见 vignette）。
更新
从 fixest 版本 0.7 开始，公式宏解析器接受字符向量。所以以下工作：
depvars <- c("y1", "y2", "y3")
lapply(depvars, function(var) {
res <- feols(xpd(..lhs ~ x1 + x2 + x3, ..lhs = var), data = dt)
summary(res)
})
艾伦的回答完全正确。或者，您可以使用 fixest 工具箱中的一些工具，即公式宏。
您可以使用函数 xpd 来“展开”公式。这是一个例子：
depvars <- list(~ y1, ~ y2, ~ y3)
lapply(depvars, function(var) {
res <- feols(xpd(..lhs ~ x1 + x2 + x3, ..lhs = var), data = dt)
summary(res)
})
注意这里的因变量必须用单向公式表示，不能用字符串表示。
变量 ..lhs 以两个点开头，是将被 var 替换的“宏”变量。另请注意，宏变量必须以两个点开头（以区别于常规变量）。
这将导致以下结果（与 Allan 相同）：
#> [[1]]
#> OLS estimation, Dep. Var.: y1
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.026417 0.033482 -0.788981 0.430311
#> x1 0.675098 0.033764 19.995000 < 2.2e-16 ***
#> x2 0.022227 0.032332 0.687468 0.491948
#> x3 -0.001915 0.034032 -0.056276 0.955133
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,470.78 Adj. R2: 0.28434
#>
#> [[2]]
#> OLS estimation, Dep. Var.: y2
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.028379 0.034692 -0.818031 0.413535
#> x1 0.718648 0.034984 20.542000 < 2.2e-16 ***
#> x2 0.009986 0.033500 0.298072 0.76571
#> x3 0.021206 0.035262 0.601372 0.547729
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,506.27 Adj. R2: 0.29582
#>
#> [[3]]
#> OLS estimation, Dep. Var.: y3
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.040832 0.034680 -1.177400 0.239316
#> x1 0.689918 0.034972 19.728000 < 2.2e-16 ***
#> x2 -0.017889 0.033489 -0.534170 0.593343
#> x3 -0.028022 0.035250 -0.794952 0.426831
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,505.94 Adj. R2: 0.28041
关于宏的更多说明：您也可以使用 setFixest_fml 全局设置它们。以下代码也可以工作：
depvars <- list(~ y1, ~ y2, ~ y3)
setFixest_fml(..rhs = ~ x1 + x2 + x3)
lapply(depvars, function(i) {
res <- feols(xpd(..lhs ~ ..rhs, ..lhs = i), data = dt)
summary(res)
})
好的，现在是最后一个音符。当您使用不需要重新定义的宏时，您可以避免在 fixest 估计函数中使用 xpd。以下将起作用：
setFixest_fml(..lhs = ~ y1, ..rhs = ~ x1 + x2 + x3)
res <- feols(..lhs ~ ..rhs, data = dt)
我正在尝试使用 fixst 包中的 feols 函数遍历一组因变量。 在使用 lm 或 lfe::felm 的基础上，我会简单地使用 get() 函数。使用 fixst，我收到一个错误。为什么会这样，有没有办法解决它？这是一个可重现的例子：
library(data.table)
library(lfe)
library(fixest)
N <- 1000
dt <- data.table(
x1 = rnorm(N),
x2 = rnorm(N),
x3 = rnorm(N)
)
beta <- rnorm(3)
dt[, y1 := x1*beta[1] + x2*beta[2] * x3*beta[3] + rnorm(N)]
dt[, y2 := x1*beta[1] + x2*beta[2] * x3*beta[3] + rnorm(N)]
dt[, y3 := x1*beta[1] + x2*beta[2] * x3*beta[3] + rnorm(N)]
dt
beta
depvars <- c("y1", "y2", "y3")
res_lm <-
lapply(depvars, function(i){
res <- lm(get(i) ~ x1 + x2 + x3, data = dt)
summary(res)
})
res_felm <-
lapply(depvars, function(i){
res <- felm(get(i) ~ x1 + x2 + x3, data = dt)
summary(res)
})
res_feols <-
lapply(depvars, function(i){
res <- feols(get(i) ~ x1 + x2 + x3, data = dt)
summary(res)
})
# Error in feols(get(i) ~ x1 + x2 + x3, data = dt) :
# The variable i is in the LHS of the formula but not in the dataset.
我认为这是因为 feols 将 未计算的 公式 get(i) ~ x1 + x2 + x3 传递给了 fixest_env。当未评估的 get(i) 到达 fixest_env 时，它在调用环境中不再有引用，因此它会抛出错误。
解决方法是确保公式包含您希望用作 DV 的变量的实际名称。您可以通过将字符串转换为公式来完成此操作：
lapply(depvars, function(i) {
fml <- as.formula(paste(i, "~ x1 + x2 + x3"))
res <- feols(fml, data = dt)
summary(res)
})
哪个returns:
#> [[1]]
#> OLS estimation, Dep. Var.: y1
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.057391 0.036018 -1.593400 0.111389
#> x1 0.350159 0.036080 9.705000 < 2.2e-16 ***
#> x2 -0.058296 0.036721 -1.587500 0.112711
#> x3 0.012196 0.036110 0.337733 0.735635
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,545.80 Adj. R2: 0.0864
#>
#> [[2]]
#> OLS estimation, Dep. Var.: y2
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.013447 0.036563 -0.367778 0.713117
#> x1 0.369671 0.036626 10.093000 < 2.2e-16 ***
#> x2 0.004896 0.037277 0.131345 0.895529
#> x3 0.019210 0.036656 0.524056 0.600357
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,560.80 Adj. R2: 0.09126
#>
#> [[3]]
#> OLS estimation, Dep. Var.: y3
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.020945 0.036181 -0.578896 0.56279
#> x1 0.397365 0.036244 10.964000 < 2.2e-16 ***
#> x2 -0.057537 0.036887 -1.559800 0.119126
#> x3 0.032324 0.036274 0.891114 0.373083
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,550.31 Adj. R2: 0.10881
更新
从fixest0.8.0版本开始，可以直接进行多重估计：
res <- feols(c(y1, y2, y3) ~ x1 + x2 + x3, data = dt)
etable(res)
前面的代码执行了 3 个估计，每个因变量一个。请注意，您还可以有多个 RHS、多个 fixed-effects 或多个样本 （参见 vignette）。
更新
从 fixest 版本 0.7 开始，公式宏解析器接受字符向量。所以以下工作：
depvars <- c("y1", "y2", "y3")
lapply(depvars, function(var) {
res <- feols(xpd(..lhs ~ x1 + x2 + x3, ..lhs = var), data = dt)
summary(res)
})
艾伦的回答完全正确。或者，您可以使用 fixest 工具箱中的一些工具，即公式宏。
您可以使用函数 xpd 来“展开”公式。这是一个例子：
depvars <- list(~ y1, ~ y2, ~ y3)
lapply(depvars, function(var) {
res <- feols(xpd(..lhs ~ x1 + x2 + x3, ..lhs = var), data = dt)
summary(res)
})
注意这里的因变量必须用单向公式表示，不能用字符串表示。
变量 ..lhs 以两个点开头，是将被 var 替换的“宏”变量。另请注意，宏变量必须以两个点开头（以区别于常规变量）。
这将导致以下结果（与 Allan 相同）：
#> [[1]]
#> OLS estimation, Dep. Var.: y1
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.026417 0.033482 -0.788981 0.430311
#> x1 0.675098 0.033764 19.995000 < 2.2e-16 ***
#> x2 0.022227 0.032332 0.687468 0.491948
#> x3 -0.001915 0.034032 -0.056276 0.955133
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,470.78 Adj. R2: 0.28434
#>
#> [[2]]
#> OLS estimation, Dep. Var.: y2
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.028379 0.034692 -0.818031 0.413535
#> x1 0.718648 0.034984 20.542000 < 2.2e-16 ***
#> x2 0.009986 0.033500 0.298072 0.76571
#> x3 0.021206 0.035262 0.601372 0.547729
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,506.27 Adj. R2: 0.29582
#>
#> [[3]]
#> OLS estimation, Dep. Var.: y3
#> Observations: 1,000
#> Standard-errors: Standard
#> Estimate Std. Error t value Pr(>|t|)
#> (Intercept) -0.040832 0.034680 -1.177400 0.239316
#> x1 0.689918 0.034972 19.728000 < 2.2e-16 ***
#> x2 -0.017889 0.033489 -0.534170 0.593343
#> x3 -0.028022 0.035250 -0.794952 0.426831
#> ---
#> Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#> Log-likelihood: -1,505.94 Adj. R2: 0.28041
关于宏的更多说明：您也可以使用 setFixest_fml 全局设置它们。以下代码也可以工作：
depvars <- list(~ y1, ~ y2, ~ y3)
setFixest_fml(..rhs = ~ x1 + x2 + x3)
lapply(depvars, function(i) {
res <- feols(xpd(..lhs ~ ..rhs, ..lhs = i), data = dt)
summary(res)
})
好的，现在是最后一个音符。当您使用不需要重新定义的宏时，您可以避免在 fixest 估计函数中使用 xpd。以下将起作用：
setFixest_fml(..lhs = ~ y1, ..rhs = ~ x1 + x2 + x3)
res <- feols(..lhs ~ ..rhs, data = dt)