I “m a lfe és fixest csomagok nagy dimenziójú rögzített effektusú regressziók futtatásához. Ezekhez a regressziókhoz a standard hibákat több dimenzióval (pl. Termék, cél és idő) szeretném csoportosítani. a szintaxisról és annak különbségéről a felm és a feols parancsok között. A következő két modell klaszterezése egyenértékű lenne?
SZERKESZTÉS: Futtattam a két modellt, és megállapítottam, hogy az m2-nek nagyobb a standard hibája, mint az m1-nek.
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) Megjegyzések
- Talán kipróbálja és megnézi? Ha különböző eredményeket kap, szerkessze ezt a kérdésére.
Válasz
Valójában nincs egyetlen módja annak, hogy kiszámítja a standard hibákat. A fixest fájlban történő kiszámításuk módját és a lfe -hez való hasonlításukat ebben a matrica .
Az SE-kben is volt néhány ( kisebb ) hiba a fixest < 0.6.0, hogy az SE-k kissé másképp nézzenek ki.
Itt van a példájához kapcsolódó összehasonlítás a játékadatokkal:
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