UnsplashのKrzysztof Niewolnyが撮影した写真
の続きです。
今回は、Rのplmパッケージを使って、パネルデータで回帰分析をしてみます。
まず、library()関数でplmパッケージを読み込みます。
前回作成した、df3のデータフレームをパネルデータフレームに転換します。
もともとのデータフレームが今回のように、
北海道 Y1997
北海道 Y2008
北海道 Y2021
青森県 Y1997
青森県 Y2008
青森県 Y2021
というように、クロスセクションのデータごとに、時系列で並んでいれば、
pdata.frame(データフレーム、index = クロスセクションの数)
のコマンドでパネルデータに変換できます。
pdim()関数でデータ構造を確認すると、Balanced Panelで、n = 47, T = 3, N = 141となっていることがわかります。
パネルデータでの回帰分析の手法の主な手法は、First Difference, Fixed Effect, Randon Effectの３つです。
今回はこの３つでr_oneをr_fourで説明するモデルを推計してみます。
plm()関数で、model = "fd" とすると、First Differenced Estimatorになります。
r_fourの係数は、-0.878で統計的に有意です。
次は、Fixed Effect Estimator です。
model = "within" とすると、Fixed Effects Estimatorです。
r_fourの係数は -0.952 となりました。統計的に有意な値です。
model = "random" で Random Effects Estimator です。
係数は-0.986 です。統計的に有意ですね。
plm()関数では、model = "pooling"とすると、前回やったPooled Cross Sectionの回帰分析になります。こちらも試してみます。
r_four の係数は、-1.035 です。当然ですが、前回の回帰分析と同じです。
4つの推計方法の結果を、statgazerパッケージのstargazer()関数で比較してみます。
係数の推計値の下にある、かっこの中の数値が、標準誤差の値です。
この値から95%の信頼区間がわかりますが、４つの推計方法の全てで、r_four の係数として、-1は95%信頼区間の中にあるようです。
なので、r_oneとr_fourの値はトレードオフの関係にあると思われます。
今回は以上です。
初めから読むには、
です。
