R plm与lfe中不同的聚集标准误差

当我使用

plm

和

lfe

运行集群标准错误面板规范时，我得到的结果在第二个有效数字上有所不同。有人知道为什么它们在SE的计算上有所不同吗

set.seed(572015)
library(lfe)
library(plm)
library(lmtest)
# clustering example
x <- c(sapply(sample(1:20), rep, times = 1000)) + rnorm(20*1000, sd = 1)
y <- 5 + 10*x + rnorm(20*1000, sd = 10) + c(sapply(rnorm(20, sd = 10), rep, times = 1000))
facX <- factor(sapply(1:20, rep, times = 1000))
mydata <- data.frame(y=y,x=x,facX=facX, state=rep(1:1000, 20))
model <- plm(y ~ x, data = mydata, index = c("facX", "state"), effect = "individual", model = "within")
plmTest <- coeftest(model,vcov=vcovHC(model,type = "HC1", cluster="group"))
lfeTest <- summary(felm(y ~ x | facX | 0 | facX))
data.frame(lfeClusterSE=lfeTest$coefficients[2],
       plmClusterSE=plmTest[2])

lfeClusterSE plmClusterSE
1   0.06746538   0.06572588

set.seed（572015）
图书馆（lfe）
图书馆（plm）
图书馆（lmtest）
#聚类示例
x差异在于自由度调整。当寻找假定相似的标准误差的差异时，这通常是第一个猜测（例如，参见）。这里，当比较来自（1）plm

+

vcovHC

，（2）felm，（3）lm+

cluster.vcov

（来自package

multiwayvcov

）的结果时，可以说明问题

首先，我重新安装了所有型号：

m1 <- plm(y ~ x, data = mydata, index = c("facX", "state"),
  effect = "individual", model = "within")
m2 <- felm(y ~ x | facX | 0 | facX, data = mydata)
m3 <- lm(y ~ facX + x, data = mydata)

非稳健标准误差也一致

se <- function(object) tail(sqrt(diag(object)), 1)
se(vcov(m1))
##          x 
## 0.07002696 
se(vcov(m2))
##          x 
## 0.07002696 
se(vcov(m3))
##          x 
## 0.07002696 

---

检查

multiwayvcov:：cluster.vcov

很容易看到用于获得Stata小样本自由度校正的代数，即：

（df$M/（df$M-1））*（（df$N-1）/（df$N-df$K））

。但是使用的等效df校正是

三明治（…，adjust=TRUE）

？在您的解释中，两者之间的区别在于，对于Stata，除法是通过

1/（n-1）

，对于

sandwich

则是通过

1/（n-k）

。但我不确定这是如何转化为适当的代数。。。我是否将上面的

（df$N-1）

替换为

（df$N-df$K）

？我想是的，但还没有详细检查代码。还请注意，当前的

sandwich

本身目前不提供集群标准错误。

sandwich

包背后的所有理论细节也记录在两个案例中。更新：聚集协方差现在也可在

sandwich

中找到。来自

multiwayvcov

的

cluster.vcov（）

函数已被重写和扩展，并已作为

vcovCL（）

合并到

sandwich

中。看见

se <- function(object) tail(sqrt(diag(object)), 1)
se(vcov(m1))
##          x 
## 0.07002696 
se(vcov(m2))
##          x 
## 0.07002696 
se(vcov(m3))
##          x 
## 0.07002696 

se(vcovHC(m1))
##          x 
## 0.06572423 
m2$cse
##          x 
## 0.06746538 
se(cluster.vcov(m3, mydata$facX))
##          x 
## 0.06746538 
se(cluster.vcov(m3, mydata$facX, df_correction = FALSE))
##          x 
## 0.06572423