Panel verileri ile vektör otoregresyon ve dürtü yanıtlama işlevi nasıl tahmin edilir


9

77 çeyrek boyunca 33 kişiyle panel verilerine dayalı vektör otomatik regresyon (VAR) ve dürtü yanıt işlevi (IRF) tahmini üzerinde çalışıyorum. Bu tür bir durum nasıl analiz edilmelidir? Bu amaçla hangi algoritmalar var? Bu analizleri R'de yapmayı tercih ederim, bu yüzden herhangi biri R kodu veya bu amaç için tasarlanmış bir paket hakkında bilgi sahibi olursa, bu özellikle yararlı olacaktır.


Siteye hoş geldiniz, @Roman. R paketleri istemek CV için konu dışıdır ( yardım sayfamıza bakın ). Dahası, bu Q Yığın Taşması konusunda da konu dışı olacaktır . R-help listerv'i deneyebilirsiniz.
gung - Monica'yı eski durumuna getirin

Bu soru konu dışı gibi görünüyor çünkü R paketleri istemekle ilgili.
gung - Monica'yı eski durumuna getirin

panel VAR tahmini için algoritma isteyebilir miyim?
Rom

3
Elbette, bu durumla nasıl başa çıkılacağını sorabilirsiniz ve birisine cevap verme sürecinde bazı yararlı R kodları sağlayabilir (ya da değil ...). Sadece konu dışı 'hangi paketin X yapacağını' soruyor. Sorunun burada kalmasını istiyorsanız (& açık kal), Q'nuzu konuya göre düzenleyin. Size okumak için yardımcı olabilir yardım sayfasının ilgili bölümü & bizim sorular sorarak için rehber sizin S. yeniden formüle içinde
eski durumuna Monica - Gung

Bunu, sizin için daha verimli yanıtlara yol açabileceği umuduyla düzenledim. Lütfen hala ne bilmek istediğinizi sorduğunuzdan emin olun ve beğenip beğenmediğinizi görün. Değilse, özürlerimle son düzenlemenize dönmek için "geri al" ı tıklayın.
gung - Monica'yı eski durumuna getirin

Yanıtlar:



6

Ortak panel veri vektörü otoregresyon modelleri arasında Arellano-Bond tahmincisi (genellikle "fark" GMM olarak adlandırılır), Blundell-Bond tahmincisi (genellikle "sistem" GMM olarak adlandırılır) ve Arellano-Bover tahmincisi bulunur. Hepsi GMM kullanır ve bir modelle başlar:

ybent=Σl=1pρlyben,t-l+xben,t'β+αben+εbent

Arellano ve Bond ilk farkını alıryben,t sabit efekti kaldırmak, αben ve sonra gecikmeli seviyeleri araç olarak kullanır:

E[Δεbentyben,t-2]=0

Bu, temel olarak, uygulama için bazı talimatlar sağlayan bu Holtz-Eakin Newey Rosen makalesinde ayrıntıları verilen prosedürle aynıdır .

Blundell ve Bond kullanımı, seviyeler için araç olarak ilk farkları geride bıraktı :

E[εbentΔyben,t-1]=0
"Sistem" GMM adı genellikle bu enstrümanların Arellano Bond'la karıştırılması anlamına gelir.

Arellano ve Bover GMM sistemini kullanıyor ve bildiklerime doğrudan uygulanmayan değişkenlerin ileriye yönelik demiryollarını araştırıyor R, ancak ayrıntılar için kağıtlarına bakabilirsiniz.

İçinde R, hem Arellano-Bond hem de Blundell-Bond , komuta altında plmpakete uygulanır pgmm. Bağlandığım belgeler tam olarak nasıl uygulanacağına ilişkin talimatlar ve örnekler sunuyor.


Çok teşekkür ederim! Basit paneller için plm paketi kullandım. Ve PVAR'lara uygulanması konusunda endişeliydim. Teşekkür ederim.
Rom

1
studygate.net/publication/322526372_panelvar_044 paketi burada bulabilirsiniz. Araştırmanızda iyi şanslar
Michael Sigmund

3

Veri kümesini pdata.frame (plm paketi) ile dönüştürdükten sonra, görünüşte alakasız regresyon denklemleri sistemini (systemfit paketini kullanarak) kullanabilirsiniz. Dürtü tepki fonksiyonlarını kendiniz türetmeniz gerekir. Hamilton veya Greene'nin ders kitabını takip ediyorsanız, çok karmaşık olmamalıdır.


2

Bu makalede, Michael Sigmund, Robert Ferstl ve Daniel Unterkofler tarafından temel olarak R'de uygulanan yöntemlerin bir açıklaması olan "Panel Vektör Oregresyonu R: Panelvar Paketi" (2017) buldum. Https://papers.ssrn.com /sol3/papers.cfm?abstract_id=2896087

Ek olarak, burada başka bir soru daha var: R'de panel vektör otoregresyon modelleri?

Yazarlar şimdi kodu CRAN'da yayınlama sürecindedir, ancak zaten araştırma portföyünde ikili paketler sunmaktadır. https://www.researchgate.net/project/Panel-Vector-Autoregression-Models-with-different-GMM-estimators

İkili panelvar paketi doğrudan indirilebilir, bence kaynaklar yakın gelecekte CRAN'da mevcut olmalıdır. https://www.researchgate.net/publication/322526372_panelvar_044


1
Bağlantı koptuğunda yalnızca bağlantı yanıtları işe yaramayabilir (bu gerçekten olur). Bağlandığınız makaledeki ana kavramların sunumu ile cevabınızı genişletebilirsiniz. Ya da en azından 'check out' Panelvarpaketini yaz.
Łukasz Deryło

Peki, paket henüz hiçbir yerde yayınlanmadı, bu yüzden temelde sadece referans eklemek istedim. Umarım bu yeterli.
hannes101

2
Evet, bu daha iyi. Şimdi bağlantınız kopsa bile bu makaleyi arayabilirim. Teşekkürler!
Łukasz Deryło

Paket panelvarşu anda CRAN'da mevcut. Kurulduktan ve yüklendikten sonra, başlayacağım?pvargmm
altabq

1

{vars}R'deki kütüphaneyi kullanmanızı öneririm. Bir VAR modelini tahmin etmek ve bu modelden bir dürtü tepki işlevini tahmin etmek ve Granger nedenselliğini araştırmak için bir işlevi vardır.

Aşağıdaki işlevlere bakmanızı öneririm:

> VARselect()
> VAR()
> irf()
> causality()

Yorumlarınız için teşekkür ederim @fredrikhs. aslında {vars} zaman serileri için iyidir. bu paket paneller için nasıl kullanılır? doğrudan uygulama işe yaramıyor ...
Rom

Bir örnek verebilir misiniz, veriler neye benziyor?
fredrikhs

Veriler {plm} paket amacı için olduğu gibi sıradan bir formattadır. Vars: ID ülke yılı REER GSYİH FinalConsumpGeniş DimesticDemand ... (toplam 21 vars) 1994Q1: 2003Q1 zaman dilimi içinde
Rom

varsPaket afaik panel verilerle çalışmaz
altabq

1

Merhaba @Roman ve her biri. Ayrıca panel VAR modellerindeyim ve aramamda, pvar ve xtvar stata tabanlı kullanıcı tarafından yazılan komutlarla karşılaştım. Zaten pvar kullandım ve oldukça iyi görünüyor. Bununla ilgili daha fazla bilgiyi ve adım adım uygulamayı buradan okuyabilirsiniz


pvar komutu ve uygulaması için link: paneldataconference2015.ceu.hu/Program/Michael-Abrigo.pdf
Ayobami

1
OP neden Stata ona herhangi bir yardım olacağını düşünüyorum emin değilim R kodu istedi. Belki cevabınızı ayrıntılı olarak düzenleyebilirsiniz?
mdewey
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.