Jak oszacować autoregresję wektora i funkcję odpowiedzi impulsowej na podstawie danych panelowych


9

Pracuję nad oszacowaniem wektorowej auto-regresji (VAR) i oszacowaniem funkcji odpowiedzi impulsowej (IRF) na podstawie danych panelowych z udziałem 33 osób powyżej 77 kwartałów. Jak należy analizować tego rodzaju sytuację? Jaki algorytm istnieje w tym celu? Wolałbym przeprowadzić te analizy w języku R, więc jeśli ktoś zna kod R lub pakiet zaprojektowany do tego celu, który mógłby zasugerować, byłoby to szczególnie pomocne.


Witamy na stronie @Roman. Pytanie o pakiety R jest nie na temat CV (zobacz naszą stronę pomocy ). Co więcej, to pytanie byłoby również nie na temat przepełnienia stosu . Możesz wypróbować listserv r-help.
gung - Przywróć Monikę

To pytanie wydaje się być nie na temat, ponieważ dotyczy pytania o pakiety R.
gung - Przywróć Monikę

czy mogę poprosić o algorytm szacowania VAR panelu?
Rzym.

3
Jasne, możesz zapytać, jak poradzić sobie z tą sytuacją, a w trakcie odpowiadania ktoś może podać pomocny kod R (lub nie ...). To po prostu pytanie „jaki pakiet zrobi X”, co jest nie na temat. Jeśli chcesz, aby pytanie pozostało tutaj (i pozostało otwarte), po prostu edytuj swoje Q, aby było na temat. Może ci pomóc przeczytać odpowiednią sekcję strony pomocy i nasz przewodnik do zadawania pytań przy przeformułowywaniu pytania.
Gung - Przywróć Monikę

Zredagowałem to w nadziei, że może to prowadzić do bardziej produktywnych odpowiedzi dla Ciebie. Upewnij się, że nadal pyta o to, co chcesz wiedzieć i sprawdź, czy ci się podoba. Jeśli nie, kliknij „wycofaj”, aby przywrócić go do ostatniej edycji z moimi przeprosinami.
gung - Przywróć Monikę

Odpowiedzi:



6

Typowe panelowe modele autoregresji wektora danych obejmują estymator Arellano-Bonda (powszechnie określany jako GMM „różnica”), estymator Blundell-Bond (powszechnie określany jako GMM „systemowy”) i estymator Arellano-Bover . Wszyscy używają GMM i zaczynają się od modelu:

yjat=l=1pρlyja,t-l+xja,tβ+αja+ϵjat

Arellano i Bond mają pierwszą różnicęyja,t aby usunąć ustalony efekt, αja a następnie używa opóźnionych poziomów jako instrumentów:

mi[Δϵjatyja,t-2)]=0

Jest to w zasadzie taka sama jak procedura opisana w tym artykule Holtz-Eakin Newey Rosen , który zawiera również instrukcje implementacji.

Blundell i Bond wykorzystali pierwsze różnice jako instrumenty poziomów:

mi[ϵjatΔyja,t-1]=0
Nazwa „system” GMM zwykle oznacza połączenie tych instrumentów z instrumentami firmy Arellano Bond.

Arellano i Bover używają systemu GMM, a także eksplorują poniżanie zmiennych, które według mojej wiedzy nie są bezpośrednio wdrażane R, ale możesz sprawdzić ich artykuł w celu uzyskania szczegółowych informacji.

W Robu, Arellano-Bond i Blundell-Bond są zaimplementowane w plmpakiecie , pod komendą pgmm. Dokumentacja, z którą się łączyłem, zawiera instrukcje i przykłady, jak dokładnie je wdrożyć.


Dziękuję Ci bardzo! Użyłem pakietu PLM do prostych paneli. I martwiłem się o jego zastosowanie do PVAR. Dziękuję Ci.
Rzym

1
researchgate.net/publication/322526372_panelvar_044 pakiet znajdziesz tutaj. Życzę powodzenia w badaniach
Michael Sigmund,

3

Możesz użyć systemu pozornie niepowiązanych równań regresji (używając pakietu systemfit) po konwersji zestawu danych za pomocą pdata.frame (pakiet plm). Musisz samodzielnie uzyskać funkcje odpowiedzi impulsowej. Jeśli podążasz za podręcznikiem Hamiltona lub Greene'a, nie powinno to być zbyt skomplikowane.


2

Właśnie znalazłem ten artykuł „Panel Vector Autoregression in R: The Panelvar Package” (2017) autorstwa Michaela Sigmunda, Roberta Ferstla i Daniela Unterkoflera, który w zasadzie jest opisem metod zastosowanych w R. https://papers.ssrn.com /sol3/papers.cfm?abstract_id=2896087

Dodatkowo jest jeszcze jedno pytanie: modele autoregresji wektorów panelowych w R?

Autorzy są teraz w trakcie publikowania kodu w CRAN, ale już udostępniają pakiety binarne na stronie researchgate. https://www.researchgate.net/project/Panel-Vector-Autoregression-Models-with-different-GMM-estimators

Binarny pakiet panelvar można pobrać bezpośrednio, myślę, że źródła powinny być dostępne w CRAN w najbliższej przyszłości. https://www.researchgate.net/publication/322526372_panelvar_044


1
Odpowiedzi zawierające tylko link mogą stać się bezużyteczne, jeśli link się zepsuje (tak się naprawdę dzieje). Możesz rozszerzyć swoją odpowiedź o prezentację głównych pojęć z artykułu, do którego prowadzi link. Lub przynajmniej napisz „sprawdź Panelvarpakiet”.
Łukasz Deryło

Cóż, pakiet nie został jeszcze nigdzie opublikowany, więc po prostu chciałem dodać kilka referencji. Mam nadzieję, że to wystarczy.
hannes101

2
Tak, tak jest lepiej. Teraz mogę wyszukać ten artykuł, nawet jeśli Twój link się zepsuje. Dzięki!
Łukasz Deryło

Pakiet panelvarjest już dostępny w CRAN. Po zainstalowaniu i załadowaniu zacznę od?pvargmm
altabq,

1

Sugerowałbym użycie {vars}biblioteki w R. Ma ona funkcję szacowania modelu VAR i szacowania funkcji odpowiedzi impulsowej na podstawie tego modelu oraz badania przyczynowości Grangera itp.

Sugeruję przyjrzenie się następującym funkcjom:

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

dziękuję @fredrikhs za komentarze. właściwie {vars} nadaje się do szeregów czasowych. jak korzystać z tego pakietu do celów paneli? bezpośrednie stosowanie nie działa ...
Rzym.

Czy możesz podać przykład, jak wyglądają dane?
fredrikhs

Dane są w zwykłym formacie, jak na potrzeby pakietu {plm}. Vars: ID kraju rok REER PKB FinalConsumpExpend DimesticDemand ... (łącznie 21 vars) w okresie 1994Q1: 2003Q1 okres
Rzym

varsPakiet nie działa z danych panelowych, AFAIK
altabq

1

Cześć @Roman i wszyscy inni. Jestem także w panelowych modelach VAR i podczas moich poszukiwań natknąłem się na komendy pvar i xtvar oparte na stacie. Użyłem już Pvar i wydaje się całkiem w porządku. Możesz przeczytać więcej na ten temat tutaj oraz aplikację krok po kroku


tutaj jest link do polecenia i aplikacji pvar
Ayobami

1
OP poprosił o kod R, więc nie jestem pewien, dlaczego uważasz, że Stata miałaby mu pomóc. Być może możesz edytować swoją odpowiedź, aby opracować?
mdewey
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.