(Bing Image Creator で生成: プロンプト: Closeup of purple Veronica persica flowers, flowering on the vast green up-down field, photo)
の続きです。前回は 都道府県別の固有の固定効果を説明変数に加えました。今回はさらに、年度別の固定効果も説明変数に加えて回帰分析します。
https://www.econometrics-with-r.org/10.4-regression-with-time-fixed-effects.html
こちらのサイトを参照してやってみました。
popratio の係数は -32.4217, energy の係数は 0.4066 となりました。 energy の係数が前回のモデルと比べるとかなり小さくなりました。
summary() 関数で model9 をみてみます。
都道府県の係数は割愛しました。年度は、2020年度が基準年になっています。
energy の p値は 0.5353 とかなり大きな値になっていて、有意な変数ではなくなっています。
plm() 関数でも同じようにモデルを推計します。
effect = "twoways" というのを加えます。
model9 と同じ係数が得られます。lmtest パッケージの coeftest() 関数で p値を計算します。
popratio の p値が 0.05139 と 0.05 を上回りました。5%水準では有意ではない、ということですね。10%水準では有意です。
結論としては、1人当たり県民総所得は、都道府県の固定効果、年度の固定効果を考慮すると、１人当たり最終エネルギー消費は有意な変数ではなくて、1人当たり県民総所得は 5% 水準は有意ではなくて、10%水準では有意、ということです。
そして、15歳~64歳人口割合が 1 ポイント上昇すると、1人当たり県民総所得は 3万2342減少する、ということですね。
最後に対数変換した変数でのモデルを推計してみます。
l_popratio の係数が -0.975 なので、popratio が 1% 上昇すると、 income が 0.975% 減少する、ということになります。
今回は以上です。
初めから読むには、
です。
今回のコードは以下になります。
#
# year ダミー変数加えて回帰分析
model9 <- lm(income ~ popratio + energy + pref + year - 1,
data = df)
model9
#
# model9 のサマリー
summary(model9)
#
# plm() 関数を使う方法
model10 <- plm(income ~ popratio + energy,
data = df,
index = c("pref", "year"),
model = "within",
effect = "twoways")
model10
#
# model10 の p値
lmtest::coeftest(model10, vcov. = vcovHC, type = "HC1")
#
# 対数を変数にしたモデル
model11 <- plm(l_income ~ l_popratio + l_energy,
data = df,
index = c("pref", "year"),
model = "within",
effect = "twoways")
model11
#
# model11 の p値
lmtest::coeftest(model11, vcov. = vcovHC, type = "HC1")
#
