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

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.

https://www.researchgate.net/publication/312165764_Panel_Vector_Autoregression_in_R_The_panelvar_Package

Tutaj znajdziesz pakiet R i link do artykułu.

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:

Arellano i Bond mają pierwszą różnicę$y_{i,t}$ aby usunąć ustalony efekt, $\alpha_i$ a następnie używa opóźnionych poziomów jako instrumentów:

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:

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.

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.

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

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()

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