(Bing Image Creator で生成: プロンプト: Beautiful highland landscape, close up of Carnation flowers, blue sky, photo)
の続きです。
前回は tpx: 東証株価指数と Lg5: 法人税収の水準どうしで回帰分析しました。
今度は、対数変換した値で回帰分析してみます。
Lg5: 法人税収入が 1%上昇すると、tpx: 東証株価指数が 1.53%上昇する、と解釈できます。
FDLモデルも対数変換します。
Lg5: 法人税収入が今後ずっと 1%上昇した水準になるとすると、tpx: 東証株価指数は
0.796 + 0.444 + 0.302 = 1.543です。
Static Model の 1.529とあまりかわらないですね。
stargazer()関数で結果を表示します。
次は、ダミー変数を追加してみます。1989年12月以前をバブル前、それ以降をバブル後にしたダミー変数を作成します。
バブル前、before bubble ということで変数名は befbubにしました。
これを追加したモデルを推定してみます。
static model, FDL modelそれぞれで、ダミー変数のあるモデルと無いモデルを比較してみます。
static model ではダミー変数は有意な変数ではありませんでした。
FDL model でもダミー変数は有意でないですね。バブルの前とバブルの後は関係ないということですね。
今回は以上です。
次回は
です。
はじめから読むには
です。
今回のコードは以下になります。
#
# log-logモデルを調べる
# Static Model
loglog_static_model <- lm(log(tpx) ~ log(Lg5), data = df)
coef(loglog_static_model)
#
# log-logモデル
# FDL(Finite Distributed Lag) Model
loglog_FDL_model <- lm(log(tpx) ~ log(Lg5) + log(Lg5_lag1) + log(Lg5_lag2),
data = df)
coef(loglog_FDL_model)
#
# LRP: Long Run Propensity
sum(coef(loglog_FDL_model)[2:4])
#
# 2つのモデル
stargazer(loglog_static_model, loglog_FDL_model, type = "text")
#
# バブル前後のダミー変数を追加
df <- df |>
mutate(befbub = if_else(time <= ymd("1989-12-01"), 1, 0)) |>
relocate(tpx, tpxchg, index, time, befbub)
df
#
# Static Model with Dummy
static_D_model <- lm(tpx ~ Lg5 + befbub, data = df)
coef(static_D_model)
#
# FDL Model with Dummy
FDL_D_model <- lm(tpx ~ Lg5 + Lg5_lag1 + Lg5_lag2 + befbub, data = df)
coef(FDL_D_model)
#
# static modelの比較(ダミー変数の有無)
stargazer(static_model, static_D_model, type = "text")
#
# FDL(Finite Distributed Lag) modelの比較(ダミー変数の有無)
stargazer(FDL_model, FDL_D_model, type = "text")
#
