使用 Python 的固定效应面板数据回归

Question

我在 df 中存储了以下面板：

	state	district	year	y	constant	x1	x2	time
0	01	01001	2009	12	1	0.956007	639673	1
1	01	01001	2010	20	1	0.972175	639673	2
2	01	01001	2011	22	1	0.988343	639673	3
3	01	01002	2009	0	1	0	33746	1
4	01	01002	2010	1	1	0.225071	33746	2
5	01	01002	2011	5	1	0.450142	33746	3
6	01	01003	2009	0	1	0	45196	1
7	01	01003	2010	5	1	0.427477	45196	2
8	01	01003	2011	9	1	0.854955	45196	3

y是各区的抗议人数
constant是一栏全是1
x1是移动网络提供商覆盖的地区面积比例
x2为各区人口数（注意时间固定）

如何在Python中运行以下模型？

这是我试过的

# Transform `x2` to match model
df['x2'] = df['x2'].multiply(df['time'], axis=0)
# District fixed effects
df['delta'] = pd.Categorical(df['district'])
# State-time fixed effects
df['eta'] = pd.Categorical(df['state'] + df['year'].astype(str))
# Set indexes
df.set_index(['district','year'])

from linearmodels.panel import PanelOLS
m = PanelOLS(dependent=df['y'], exog=df[['constant','x1','x2','delta','eta']])

ValueError: exog does not have full column rank. If you wish to proceed with model estimation irrespective of the numerical accuracy of coefficient estimates, you can set rank_check=False.

我做错了什么？

Answer 1

我研究了 the documentation，结果发现解决方案非常简单。

设置索引并将固定效应列转换为 pandas.Categorical 类型后（参见上面的问题）：

# Import model
from linearmodels.panel import PanelOLS

# Model
m = PanelOLS(dependent=df['y'],
             exog=df[['constant','x1','x2']],
             entity_effects=True,
             time_effects=False,
             other_effects=df['eta'])
m.fit(cov_type='clustered', cluster_entity=True)

也就是说，不要将您的固定效应列传递给exog。

您应该将它们传递给 entity_effects（布尔值）、time_effects（布尔值）或 other_effects（pandas.Categorical）。

使用 Python 的固定效应面板数据回归

Panel data regression with fixed effects using Python

python

statistics

regression

statsmodels

linearmodels