面板數據分析plm

採用plm包，固定、隨機效應模型，Hausman過度識別檢驗（原假設是兩個模型一致）；

加入截面變係數，即是按個體分別進行迴歸分析。

> #載入面板數據分析包
library("plm", lib.loc="D:/R/R/R-3.1.2/library")

p_csy = plm.data(csy_zero, indexes = c("industry", "year"))

#fix_e = plm(data = p_csy, export ~ human, model = "within")
#summary(fix_e)

#取對數
p_csy$export = log(p_csy$export)
p_csy$human = log(p_csy$human)

#固定效應模型
fix_e = plm(data = p_csy, export ~ human, model = "within")

summary(fix_e)

##判斷隨機效應模型是否與固定效應模型有區別，採用Hausman檢驗;
random_e = plm(data = p_csy, export ~ human, model = "random")

phtest(random_e, fix_e)

**結果與固定效應模型相同** #test = lm(export ~ human + factor(industry) - 1, data = p_csy)
#summary(test)

##截面變係數模型

#按行業分類
list_csy = dlply(p_csy, .variables = "industry")

#導出結果
for(i in 1:length(list_csy)){
    test = lm(data = list_csy[[i]], formula = export ~ human)
    print(rep("====", 12))
    print(rep("====", 12))
    print(names(list_csy[i]))
    print(summary(test))
  }

fix與random效應的區別

固定效應與隨機效應的選擇：豪斯曼檢驗
固定效應與隨機效應的區別

• 區別一：
  FE / RE 模型可統一表述爲： y_it = u_i + x_it*b + e_it
  對於FE，個體效應 u_i 被視爲一組解釋變量，爲非隨機變量，即 N-1 個虛擬變量；對於RE，個體效應 u_i被視爲干擾項的一部分，因此是隨機變量，假設其服從正態分佈，即 u_i~N(0, sigma_u^2)； 在上述兩個模型的設定中，e_it都被視爲“乾乾淨淨的”干擾項，也就是OLS時那個揹負着衆多假設條件，但長相極爲俊俏的干擾項，e_it~N(0,sigma_e^2)。 需要注意的是，在 FE 模型中，只有一個干擾項 e_it，它可以隨公司和時間而改變，所有個體差異都採用 u_i 來捕捉。而在 RE 模型中，其實有兩個干擾項：u_i 和 e_it，差別在於，第一種干擾項不隨時間改變（這也是所謂的“個體效應”的含義），而第二類干擾項可以隨時間改變。 因爲上述對 FE 和 RE 中個體效應 u_i 的假設之差異，二者的估計方法亦有差異。FE可直接採用OLS估計，而RE則必須使用GLS才能獲得更爲有效的估計量。
  固定效應模型中的個體差異反映在每個個體都有一個特定的截距項上；隨機效應模型則假設所有的個體具有相同的截距項，個體的差異主要反應在隨機干擾項的設定上 。

• 區別二：
  固定效應更適合研究樣本之間的區別，而隨機效應適合由樣本來推斷總體特徵。