按组进行的时间序列回归，newey-West标准误差加上R2

我有一个data.table，其中包含25种不同股票投资组合的年度回报和2个解释变量。我想为25个标准错误得到最新修正的投资组合中的每一个估算相同的

lm

模型。到目前为止，我正在使用

dplyr

中的

groupby

在每个投资组合上运行模型，然后使用

lmtest

包中的

coeftest

和

三明治

包中的

NeweyWest

纠正标准错误，总结为

扫帚

包中的

tidy

：

library(dplyr) 
library(broom)
library(lmtest)
library(sandwich)

regressions <- data %>%
      group_by(Portfolio) %>%
      do({fit = lm(Portfolio_return ~ x1 + x2, data = .)
      tidy(coeftest(fit, vcov. = NeweyWest(fit, prewhite = FALSE)))
      })

库（dplyr）
图书馆（扫帚）
图书馆（lmtest）
图书馆（三明治）
回归%
集团（投资组合）%>%
do（{fit=lm（投资组合收益率~x1+x2，数据=）
整洁（系数（fit，vcov.=NeweyWest（fit，prewhite=FALSE）））
})

我的问题是：

代码给了我系数加上p值，但是在NeweyWest调整之后，我如何获得所有模型的所有其他汇总统计数据，如r2、F-test等？我喜欢

tridy

，

glance

和

augment

来自

broom

包，但是当我运行

regressions%>%glance（fit）

时，我得到了致命错误和R崩溃

如何在一个

data.table

或

data.frame

中汇总所有25个模型的所有统计数据（如系数、p值、R2）

---

非常感谢

我认为您现在可以使用

dplyr

、

tidyr

和

purrr

，下面我使用了一个示例数据集：

library(dplyr) 
library(broom)
library(lmtest)
library(sandwich)
library(tidyr)
library(purrr)

data(Investment)

set.seed(999)
data = rbind(
       data.frame(Investment + matrix(rnorm(140),20,7),set="A"),
       data.frame(Investment + matrix(rnorm(140),20,7),set="B")
       )

我们在dplyr中执行类似于

do（）

的操作，只需将数据嵌套到

data

列中，拟合并存储结果，然后应用

glance

和

tidy

：

regressions <-data %>% 
nest(data=c("GNP","Investment","Price","Interest","RealGNP","RealInv","RealInt")) %>% 
mutate(fit=map(data,~lm(RealInv ~ RealGNP + RealInt, data = .))) %>%
mutate(
glance = map(fit,glance),
tidy = map(fit,~tidy(coeftest(., vcov. = NeweyWest(., prewhite = FALSE))))
)

regressions %>% unnest(tidy)
# A tibble: 6 x 9
  set   data      fit    glance     term   estimate std.error statistic  p.value
  <fct> <list>    <list> <list>     <chr>     <dbl>     <dbl>     <dbl>    <dbl>
1 A     <tibble … <lm>   <tibble [… (Inte…  -15.8     18.1       -0.871  3.97e-1
2 A     <tibble … <lm>   <tibble [… RealG…    0.172    0.0174     9.88   3.24e-8
3 A     <tibble … <lm>   <tibble [… RealI…   -2.55     3.25      -0.785  4.44e-1
4 B     <tibble … <lm>   <tibble [… (Inte…   -5.03    19.7       -0.256  8.01e-1
5 B     <tibble … <lm>   <tibble [… RealG…    0.161    0.0185     8.71   1.80e-7
6 B     <tibble … <lm>   <tibble [… RealI…    0.662    2.40       0.275  7.86e-1

regressions %>% unnest(glance)
# A tibble: 2 x 15
  set   data  fit   tidy  r.squared adj.r.squared sigma statistic p.value    df
  <fct> <lis> <lis> <lis>     <dbl>         <dbl> <dbl>     <dbl>   <dbl> <int>
1 A     <tib… <lm>  <tib…     0.830         0.809  16.5      39.0 7.02e-7     3
2 B     <tib… <lm>  <tib…     0.801         0.776  17.6      32.2 2.47e-6     3
# … with 5 more variables: logLik <dbl>, AIC <dbl>, BIC <dbl>, deviance <dbl>,
#   df.residual <int>