Doğrusal regresyon modellerindeki ANOVA, karşılık gelen iç içe modellerin Wald testine (ve olasılık oranı testine) eşdeğerdir. Dolayısıyla, ilgili testi heteroskedastisite tutarlı (HC) standart hatalar kullanarak yapmak istediğinizde, bu, karelerin toplamlarının ayrışmasından elde edilemez, ancak bir HC kovaryans tahmini kullanarak Wald testini gerçekleştirebilirsiniz. Bu fikir hem kullanılan Anova()
ve linearHypothesis()
gelen car
paket ve coeftest()
ve waldtest()
gelen lmtest
paketin. Son üçü plm
nesnelerle de kullanılabilir .
Basit (çok ilginç / anlamlı olmasa da) bir örnek şudur. Biz standart modeli kullanmak ?plm
manuel sayfa ve her ikisi önemi için Wald testi yerine getirmek istiyorsunuz log(pcap)
ve unemp
. Şu paketlere ihtiyacımız var:
library("plm")
library("sandwich")
library("car")
library("lmtest")
Model (alternatif altında):
data("Produc", package = "plm")
mod <- plm(log(gsp) ~ log(pc) + log(emp) + log(pcap) + unemp,
data = Produc, index = c("state", "year"))
İlk olarak, tüm bireysel katsayılar için HC standart hataları ile marjinal Wald testlerine bakalım:
coeftest(mod, vcov = vcovHC)
t test of coefficients:
Estimate Std. Error t value Pr(>|t|)
log(pc) 0.2920069 0.0617425 4.7294 2.681e-06 ***
log(emp) 0.7681595 0.0816652 9.4062 < 2.2e-16 ***
log(pcap) -0.0261497 0.0603262 -0.4335 0.66480
unemp -0.0052977 0.0024958 -2.1226 0.03411 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Ve sonra her ikisi için de bir Wald testi gerçekleştiriyoruz log(pcap)
ve unemp
:
linearHypothesis(mod, c("log(pcap)", "unemp"), vcov = vcovHC)
Linear hypothesis test
Hypothesis:
log(pcap) = 0
unemp = 0
Model 1: restricted model
Model 2: log(gsp) ~ log(pc) + log(emp) + log(pcap) + unemp
Note: Coefficient covariance matrix supplied.
Res.Df Df Chisq Pr(>Chisq)
1 766
2 764 2 7.2934 0.02608 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Alternatif olarak, modeli mod0
iki katsayı olmadan sıfır hipotezi ( diyelim) altına sığdırabilir ve sonra çağırabiliriz waldtest()
:
mod0 <- plm(log(gsp) ~ log(pc) + log(emp),
data = Produc, index = c("state", "year"))
waldtest(mod0, mod, vcov = vcovHC)
Wald test
Model 1: log(gsp) ~ log(pc) + log(emp)
Model 2: log(gsp) ~ log(pc) + log(emp) + log(pcap) + unemp
Res.Df Df Chisq Pr(>Chisq)
1 766
2 764 2 7.2934 0.02608 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Test istatistiği ve p-değeri hesaplanır linearHypothesis()
ve waldtest()
tamamen aynıdır. Sadece arayüz ve çıktı biçimlendirmesi biraz farklıdır. Bazı durumlarda biri veya diğeri daha basit veya daha sezgiseldir.
Not: vocvHC(mod)
Bir kovaryans matris kestirimcisi (yani, bir işlev gibi vocvHC
) yerine bir kovaryans matris kestirimi (yani, matris benzeri ) sağlarsanız, alternatifin altındaki modelin HC kovaryans matris kestirimini sağladığınızdan emin olun. kısıtlanmamış model.