用最小二乘虚拟变量法在R

我试图做一个固定效应的差异回归。回归分析的目的是评估参加电视转播的体育赛事与其他未参加比赛的球队相比，对参赛球队社交媒体粉丝数量的影响

我的数据如下所示： [资料][1]

因变量是Rate_Percent，这是Facebook喜欢的增长率，计算如下

Dataset_FB <- Dataset_FB %>% group_by(ID) %>%  
     mutate(Diff_Growth = FBLikes - lag(FBLikes),
     Rate_Percent = Diff_Growth / lag(FBLikes) * 100)

Dataset\u FB%group\u by（ID）%>%
突变（差异生长=类FBLikes-滞后（类FBLikes），
比率百分比=差异增长/滞后（FBI）*100）

Teilnahme是一个虚拟变量，用于区分参与者和非参与者，Hauptrunde是一个虚拟变量，用于指示治疗的时间范围（治疗前为0，治疗后为1）。我试图将ID、Uhrzeit和Spieltag作为固定效果，以控制俱乐部和时间差异

我的回归如下所示：

lm(formula = Rate_Percent ~ Teilnahme + Hauptrunde + Teilnahme * 
 Hauptrunde + factor(ID) + factor(Uhrzeit) + factor(Spieltag), 
 data = Dataset_FB)

Residuals:
 Min      1Q  Median      3Q     Max 
-0.2834 -0.0343 -0.0111  0.0092  4.9302 

Coefficients: (6 not defined because of singularities)
                    Estimate Std. Error t value Pr(>|t|)    
(Intercept)           0.0266970  0.0125098   2.134  0.03288 *  
Teilnahme             0.0020571  0.1662742   0.012  0.99013    
Hauptrunde           -0.0158433  0.0060631  -2.613  0.00900 ** 
factor(ID)8          -0.0344717  0.0171467  -2.010  0.04443 *  
factor(ID)25         -0.0155100  0.1662745  -0.093  0.92568    
factor(ID)56          0.0122209  0.0171467   0.713  0.47604    
factor(ID)69         -0.0093248  0.1662745  -0.056  0.95528    
factor(ID)90         -0.0037743  0.0171467  -0.220  0.82578    
factor(ID)93          0.0948638  0.0171467   5.532 3.29e-08 ***
factor(ID)103         0.0117689  0.0171467   0.686  0.49251    
factor(ID)115         0.0479442  0.0171467   2.796  0.00519 ** 
factor(ID)166        -0.0129542  0.0171467  -0.755  0.44998    
factor(ID)364        -0.0112018  0.0171467  -0.653  0.51359    
factor(ID)373        -0.0111296  0.0171467  -0.649  0.51631    
factor(ID)490        -0.0231408  0.0171467  -1.350  0.17720    
factor(ID)752        -0.0064241  0.0171467  -0.375  0.70793    
factor(ID)907         0.1333400  0.0171467   7.776 8.75e-15 ***
factor(ID)951         0.0087327  0.0171467   0.509  0.61057    
factor(ID)996        -0.0105943  0.0171467  -0.618  0.53669    
factor(ID)1238        0.0076285  0.0171467   0.445  0.65641    
factor(ID)1315        0.0304732  0.1662745   0.183  0.85459    
factor(ID)1316        0.1290605  0.0171467   7.527 5.98e-14 ***
factor(ID)1400        0.0038137  0.0171467   0.222  0.82400    
factor(ID)1401       -0.0135700  0.0171467  -0.791  0.42874    
factor(ID)1712       -0.0001285  0.0171467  -0.007  0.99402    
factor(ID)3417        0.0053766  0.0171467   0.314  0.75386    
factor(ID)5646        0.0052521  0.0171467   0.306  0.75939    
factor(ID)6273       -0.0134096  0.0171467  -0.782  0.43422    
factor(ID)7679       -0.0104365  0.0171467  -0.609  0.54277    
factor(ID)9029               NA         NA      NA       NA    
factor(ID)10213      -0.0441121  0.0171467  -2.573  0.01012 *  
factor(ID)26957      -0.0287541  0.0171700  -1.675  0.09405 .  
factor(ID)29988       0.1015109  0.1662745   0.611  0.54155    
factor(ID)40373       0.0203831  0.0171467   1.189  0.23459    
factor(Uhrzeit)1530   0.0206731  0.1653880   0.125  0.90053    
factor(Uhrzeit)1830          NA         NA      NA       NA    
factor(Uhrzeit)2045          NA         NA      NA       NA    
factor(Spieltag)NA           NA         NA      NA       NA    
factor(Spieltag)Sa           NA         NA      NA       NA    
factor(Spieltag)So           NA         NA      NA       NA    
Teilnahme:Hauptrunde  0.0053874  0.0085752   0.628  0.52987    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.1649 on 5885 degrees of freedom
(32 observations deleted due to missingness)
Multiple R-squared:  0.07278,   Adjusted R-squared:  0.06742 
F-statistic: 13.59 on 34 and 5885 DF,  p-value: < 2.2e-16





[1]: https://i.stack.imgur.com/ZBAqL.png

注册

输出是正确的，您本身没有做错任何事情，但是有更优雅的方法来运行固定效果回归

是的，尽管固定效应不会在模型中得到一致的估计

这里，奇点意味着在

ID

、

Uhrzeit

和

Spieltag

中有观测值，其中只有一个唯一观测值，因此模型无法估计这些观测值的系数

我建议研究两个方案：

plm是面板数据模型的标准。我不能100%确定您的数据是否是一个真实的面板（以及您是否实际估计了diff规范中的diff）

你会有这样的想法：

data <- pdata.frame(data, index=c("ID", "Uhrzeit"))
plm(formula = Rate_Percent ~ Teilnahme + Hauptrunde + Teilnahme * 
 Hauptrunde + factor(Spieltag), data=Dataset_FB, model = "within", effect = "twoways", index = c("ID","Uhrzeit"))

作为一种解释：这些固定效果包的工作方式是，它们首先转换数据（使用内部转换），基本上去掉组的平均值。由于这一点，我们实际上不需要像在代码中那样估计固定效果的系数。因此，这些其他解决方案稍微更简洁，并且产生更易于阅读的输出，但从数字上看，应该没有任何区别

est <- felm(Rate_Percent ~ Teilnahme + Hauptrunde + Teilnahme * 
 Hauptrunde  | ID + Uhrzeit + Spieltag, data = Dataset_FB)