R plm封装中的三维

这是一个有关的后续问题，我认为这并没有解决这个问题

所以我重复数据

============================================
 year | comp | count |  value.x |  value.y
------+------+-------+----------+-----------
 2000 |   A  |  USA  |  1029.0  |  239481   
------+------+-------+----------+-----------
 2000 |   A  |  CAN  |  2341.4  |  129333   
------+------+-------+----------+-----------
 2000 |   B  |  USA  |  2847.7  |  187319   
------+------+-------+----------+-----------
 2000 |   B  |  CAN  |  4820.5  |  392039
------+------+-------+----------+-----------
 2001 |   A  |  USA  |  7289.9  |  429481
------+------+-------+----------+-----------
 2001 |   A  |  CAN  |  5067.3  |  589143
------+------+-------+----------+-----------
 2001 |   B  |  USA  |  7847.8  |  958234
------+------+-------+----------+-----------
 2001 |   B  |  CAN  |  9820.0  | 1029385
============================================

虽然从编程的角度来看，那篇文章中的一些答案可以解决这个问题，但还远远没有完成

我的问题更具体

我想根据上面显示的数据运行一个固定效果和一个随机效果模型。我要研究的是

value.x

对

value.y

在

comp

和

年

之间的影响，无需重新调整（或控制

计数

）

中提供的处理ID中重复项的建议答案如下：

fakedata$id <- fakedata %>% group_indices(comp, count)

虽然将

comp

和

count

分组，然后运行固定效应或随机效应模型，但此策略假定每个

comp

在每个

cou中的处理方式不同。这不一定是某些人想要从这种倒退中得到的

如前所述，在我的例子中，我想知道
value.x
对
value.y
在
comp
和
year
之间的影响，无需重新调整（或控制
计数
）

我认为这适合以下形式的模型：

plm(value.y ~ value.x + factor(cou), model = "within", data=fakedata, index=c(as.numeric(comp),year))

正如一些答复中所建议的那样。但是，这对我不起作用，plm packadge通常会显示错误消息：

Error in pdim.default(index[[1]], index[[2]]) : 
  duplicate couples (id-time)
In addition: Warning messages:
1: In pdata.frame(data, index) :
  duplicate couples (id-time) in resulting pdata.frame
 to find out which, use e.g. table(index(your_pdataframe), useNA = "ifany")
2: In is.pbalanced.default(index[[1]], index[[2]]) :
  duplicate couples (id-time)

那么，我如何在不与
comp
和
cou
交互的情况下建立固定效应模型呢
 对于固定效应，您可以运行一个简单的回归，将年份和公司作为虚拟变量。在这种情况下，你将获得固定效果，不受国家的影响

lm(value.y ~ value.x + factor(year) + factor(comp)

你甚至可以把国家作为因素。在这种情况下，您将获得与使用id索引运行plm相同的结果（为了获得完全相同的结果，您可能必须手动选择假人，因此它们在两个回归中是相同的）。这是LSDV（最小二乘虚拟变量）模型

如果你想选择哪一个因素是基本因素，你可以手工创建你的假人。有上千个软件包可以做到这一点。两个例子：

#with base R
dummies <- model.matrix(~cate, fakedata)

#or using the fastDummies package
dummies <- dummy_columns(fakedata$cate)

对于固定效应，您可以运行一个简单的回归，将年份和公司作为虚拟变量。随机效应是一个GLS模型（系数与OLS相同，您需要调整协方差矩阵），然后可以根据您的需要进行调整，但是在RE效应模型假设下，各个国家的特征应该是无关的，否则您的模型是有偏差的。谢谢，有代码的示例吗？我如何在有限元模型中引入你说的虚拟变量？这和我在帖子里写的有多大不同<代码>plm（value.y~value.x+系数（cou），model=“in”，data=fakedata，index=c（作为数字（comp），年份））

lm(value.y ~ value.x + factor(year) + factor(comp) + factor(count)
plm(value.y ~ value.x, model = "within", data=fakedata, index=c(id,year))

#with base R
dummies <- model.matrix(~cate, fakedata)

#or using the fastDummies package
dummies <- dummy_columns(fakedata$cate)

plm(value.y ~ value.x + factor(cou), model = "within", data=fakedata, index=c(as.numeric(comp),year))