(Bing Image Creator で生成: プロンプト: Close up of Agapanthus flowers, landscape of great valley, blight sky, photo)
の続きです。
今回は、Wooldridge(2019), Introductory Econometorics: A Modern Approach 7e
の 10-2 Examples of Time Series Regression Models のセクションにある 2つのモデルを考えてみます。
一つ目は、Static Model です。
Yt = beta0 + beta1 * Zt + Ut, t = 1, 2,..., n
というモデルです。今回は tpx = beta0 + beta1 * Lg5 + U というモデルですね。
早速 lm()関数で推定してみます。
Lg5が 1増えると、tpxは0.17増えるということですね。
二つ目のモデルは、Finite Distributed Lag Modelです。これは
Yt = beta0 + beta1 * Zt + beta2 * Zt-1 + beta3 * Zt-2 + Ut, t = 3, 4, ..., n のようなモデルです。1期前や 2期前、3期前など過去の期の説明変数が含まれているモデルです。
こちらも lm()関数で推定してみます。
前段階でラグ1とラグ2を作成しています。Lg5の係数、0.1003は Lg5が1増えたときに、その期に tpxが0.1003増えるということで、impact propensity と呼ぶそうです。そして、Lg5, Lg5_lag1, Lg5_lag2の係数の合計値、0.1003 + 0.556 + 0.022 = 0.178 が Lg5がこれから先っずっと 1増えた状態が続くときに tpxが増える分量で、これを long-run propencity(LRP)と呼ぶそうです。0.178 は static model の 0.174とさほど変わりはないですね。
stargazer パッケージを利用して二つのモデルを並べて表示します。
static model, finite distributed lag model, ともに係数は有意な値ですね。
今回は以上です。
次回は
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。
#
# static model
static_model <- lm(tpx ~ Lg5, data = df)
coef(static_model)
#
# finite distributed lag model
# Lg5のラグ1とラグ2を作る
df <- df |>
mutate(Lg5_lag1 = c(NA, df$Lg5[1:601]),
Lg5_lag2 = c(NA, NA, df$Lg5[1:600]))
#
# finite distributed lag model
FDL_model <- lm(tpx ~ Lg5 + Lg5_lag1 + Lg5_lag2, data = df)
coef(FDL_model)
#
# Long Run Propensity
sum(coef(FDL_model)[2:4])
#
# stargazer の読み込み
library(stargazer)
#
# static_model, FDL_modelの結果
stargazer(static_model, FDL_model,
type = "text")
#
