Používám lfe a fixest pro spuštění regresí s vysoce dimenzionálními pevnými efekty. U těchto regresí bych rád shrnul standardní chyby do několika dimenzí (např. Produkt, cíl a čas). Jsem však zmatený o syntaxi a o tom, jak se liší mezi příkazy felm a feols. Bylo by seskupování v následujících dvou modelech ekvivalentní?
EDIT: Spustil jsem dva modely a zjistil jsem, že m2 má větší standardní chyby než m1.
m1 <- felm(y ~ x1+ x2 | fe1 + fe2|0|product + destination + time, data=df) #with lfe package summary(m1) m2 <- feols(y ~ x1+ x2 | fe1 + fe2, data=df) #with fixest package summary(m2, cluster=~product + destination + time) Komentáře
- Možná to vyzkoušíte a uvidíte? Pokud získáte jiné výsledky, upravte je ve své otázce.
Odpovědět
Ve skutečnosti neexistuje jediný způsob, jak spočítat standardní chyby. Způsob jejich výpočtu v fixest a jejich srovnání s lfe je vysvětlen v tomto viněta .
V SE bylo také několik ( menších ) chyb ve fixest verzi < 0.6.0, aby SE vypadaly trochu jinak.
Zde je srovnání související s vaším příkladem s údaji o hračce:
library(fixest) ; library(lfe) data(trade) est_felm = felm(log(Euros) ~ log(dist_km) | Origin + Destination | 0 | Origin + Destination + Year, trade) est_feols = feols(log(Euros) ~ log(dist_km) | Origin + Destination, trade) # Same SEs but different p-values coeftable(est_felm) #> Estimate Cluster s.e. t value Pr(>|t|) #> log(dist_km) -2.072132 0.1516212 -13.66651 2.525297e-07 coeftable(est_feols, cluster = ~ Origin + Destination + Year) #> Estimate Std. Error t value Pr(>|t|) #> log(dist_km) -2.072132 0.1516212 -13.66651 2.024366e-42 # Same SEs and p-values (t.df is explained in the vignette) coeftable(est_feols, cluster = ~ Origin + Destination + Year, dof = dof(t.df = "min")) #> Estimate Std. Error t value Pr(>|t|) #> log(dist_km) -2.072132 0.1516212 -13.66651 2.525297e-07