I “m ved hjælp af lfe og fixest -pakker til at køre regressioner med højdimensionelle faste effekter. For disse regressioner vil jeg gerne samle standardfejlene i flere dimensioner (f.eks. Produkt, destination og tid). Jeg er imidlertid forvirret om syntaksen, og hvordan den adskiller sig mellem kommandoerne felm og feols. Ville klyngen i de følgende to modeller være ækvivalent?
EDIT: Jeg kørte de to modeller og fandt ud af, at m2 har større standardfejl end 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) Kommentarer
- Måske prøve det og se? Hvis du får forskellige resultater, skal du redigere det i dit spørgsmål.
Svar
Der er faktisk ingen enkelt måde at beregne standardfejlene. Den måde, hvorpå de beregnes i fixest, og hvordan de sammenlignes med lfe, forklares i denne vignet .
Der var også et par ( mindre ) bugs i SEerne i fixest version < 0.6.0 får SEerne til at se lidt anderledes ud.
Her er en sammenligning relateret til dit eksempel med legetøjsdata:
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