采用plm包，固定、隨機效應(yīng)模型，Hausman過度識別檢驗（原假設(shè)是兩個模型一致）；

加入截面變系數(shù)，即是按個體分別進行回歸分析。

> #載入面板數(shù)據(jù)分析包 library("plm", lib.loc="D:/R/R/R-3.1.2/library")p_csy = plm.data(csy_zero, indexes = c("industry", "year"))#fix_e = plm(data = p_csy, export ~ human, model = "within") #summary(fix_e)#取對數(shù) p_csy$export = log(p_csy$export) p_csy$human = log(p_csy$human)#固定效應(yīng)模型 fix_e = plm(data = p_csy, export ~ human, model = "within")summary(fix_e)##判斷隨機效應(yīng)模型是否與固定效應(yīng)模型有區(qū)別，采用Hausman檢驗; random_e = plm(data = p_csy, export ~ human, model = "random")phtest(random_e, fix_e)**結(jié)果與固定效應(yīng)模型相同** #test = lm(export ~ human + factor(industry) - 1, data = p_csy) #summary(test)##截面變系數(shù)模型#按行業(yè)分類 list_csy = dlply(p_csy, .variables = "industry")#導(dǎo)出結(jié)果 for(i in 1:length(list_csy)){test = lm(data = list_csy[[i]], formula = export ~ human)print(rep("====", 12))print(rep("====", 12))print(names(list_csy[i]))print(summary(test))}

fix與random效應(yīng)的區(qū)別

固定效應(yīng)與隨機效應(yīng)的選擇：豪斯曼檢驗
固定效應(yīng)與隨機效應(yīng)的區(qū)別

• 區(qū)別一：
  FE / RE 模型可統(tǒng)一表述為： y_it = u_i + x_it*b + e_it
  對于FE，個體效應(yīng) u_i 被視為一組解釋變量，為非隨機變量，即 N-1 個虛擬變量；對于RE，個體效應(yīng) u_i被視為干擾項的一部分，因此是隨機變量，假設(shè)其服從正態(tài)分布，即 u_i~N(0, sigma_u^2)； 在上述兩個模型的設(shè)定中，e_it都被視為“干干凈凈的”干擾項，也就是OLS時那個背負著眾多假設(shè)條件，但長相極為俊俏的干擾項，e_it~N(0,sigma_e^2)。 需要注意的是，在 FE 模型中，只有一個干擾項 e_it，它可以隨公司和時間而改變，所有個體差異都采用 u_i 來捕捉。而在 RE 模型中，其實有兩個干擾項：u_i 和 e_it，差別在于，第一種干擾項不隨時間改變（這也是所謂的“個體效應(yīng)”的含義），而第二類干擾項可以隨時間改變。 因為上述對 FE 和 RE 中個體效應(yīng) u_i 的假設(shè)之差異，二者的估計方法亦有差異。FE可直接采用OLS估計，而RE則必須使用GLS才能獲得更為有效的估計量。
  固定效應(yīng)模型中的個體差異反映在每個個體都有一個特定的截距項上；隨機效應(yīng)模型則假設(shè)所有的個體具有相同的截距項，個體的差異主要反應(yīng)在隨機干擾項的設(shè)定上 。

• 區(qū)別二：
  固定效應(yīng)更適合研究樣本之間的區(qū)別，而隨機效應(yīng)適合由樣本來推斷總體特征。

總結(jié)

以上是生活随笔為你收集整理的面板数据分析plm的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。