带plm包的R2
使用此语法使用plm包估计池模型时,我得到的R2接近0.8带plm包的R2,r,plm,R,Plm,使用此语法使用plm包估计池模型时,我得到的R2接近0.8 library(plm) data <- employmentsez data$lfirms2 <- data$lfirms*data$lfirms data$sezname <- as.factor(data$sezname) data <- plm.data(data, index=c("code", "year")) fit1 <- plm(lemployment ~ lfirms + lfirms2
library(plm)
data <- employmentsez
data$lfirms2 <- data$lfirms*data$lfirms
data$sezname <- as.factor(data$sezname)
data <- plm.data(data, index=c("code", "year"))
fit1 <- plm(lemployment ~ lfirms + lfirms2 + lfirmsfor + lwages + nuts51 + lgovgrants + leusubs + agrishare, data=data, model="pooling")
R-Squared: 0.7972
Adj. R-Squared: 0.79679
库(plm)
数据它不是完全相同的规范,因为一个模型是池模型,另一个是内部模型。R2是如何在模型中定义的并不明确,这就是为什么你会在Stata中看到不同的值——在R2中搜索R2和整个R2之间的术语。基本上正如他所说,这是不一样的。一种是单个固定效应面板数据建模,另一种是合并ols。看到这个结果并不奇怪。我后来发现,对于plm,我们只得到“预测”模型的R2,这意味着由固定效应解释的方差不包括在R2中。但是我们可以通过使用felm包来获得包含固定效果的完整R2。我认为这会产生误导,因为集合模型比固定效应模型“更好”肯定是错误的。
library(plm)
data <- employmentsez
data$lfirms2 <- data$lfirms*data$lfirms
data$sezname <- as.factor(data$sezname)
data <- plm.data(data, index=c("code", "year"))
fit1 <- plm(lemployment ~ lfirms + lfirms2 + lfirmsfor + lwages + nuts51 + lgovgrants + leusubs + agrishare, data=data, model="within", effect="individual")
summary(fit1)
R-Squared: 0.085873
Adj. R-Squared: -0.039652