panel-data

    6

    1答えて

    自己相関問題に対処するために、私のパネルデータに一般化最小二乗モデル(Rでgls)を使用しようとしています。 私はどの変数にもラグを持たせたくありません。 一般化最小二乗モデル(gls)から自己相関の問題を確認するために、Durbin-Watsonテスト(Rでdwtest)を使用しようとしています。 しかし、dwtestはgls機能には適用できませんが、lmなど他の機能にも適用可能です。 私のgl

    0

    1答えて

    大規模なデータベースで作業して以来、ループのない計算を効率的に行うという点についてもう一度質問しました。 基礎となる不平衡パネルデータセットは、以下のdf1の形式をとります。見ることができるように、異なる年に観察された個体(ID)が存在する。時にはまた、GAB年(ID 4を参照): library(data.table) df1 = data.table(Year = c(2000, 2001,

    -2

    1答えて

    Rスタジオを使用して内戦に介入する外国人の力を見る。私の最初のデータセット分析単位は紛争年であり、2番目の紛争月は紛争月です。私はそれらを合併することができるように、私は紛争の年の両方でそれらを持っている必要があります。 行を展開するのと反対の操作を実行できるコマンドはありますか?

    0

    1答えて

    「グループ別合計」には既に多くの質問がありますが、私は自分の問題を解決できません。ここでは、次のとおりです。 > df2 = data.table(Year = c(2009,2009,2009,2009,2009,2009,2009,2009,2010,2010,2010,2010), ID = c(1621, 1621, 1628,1628,3101, 3101,3105,3

    1

    1答えて

    私はIDコードでパネルのデータフレームをマージしようとしており、データフレームに「IDコード」でソート処理を行っています。 私のデータ変数名は、wave68、wave69 ....、wave71です。 全体的に、私は2つの問題を抱えて: まず、私は、ループを使用してデータフレームをソートしたいが、私は、すなわちwave+i、ループファイル名を割り当てる方法がわかりませんか? 第2に、データフレーム

    0

    1答えて

    以下は、hereのLinearmodelsモジュールによる固定効果の推定Pythonコードです。 from linearmodels import PanelOLS mod = PanelOLS(y_train, x_train, entity_effects=True) res = mod.fit(cov_type='clustered', cluster_entity=True) はどのように

    0

    1答えて

    私は現在、起こるかもしれない3つの異なるイベントがあるイベントの時間をモデル化しようとしています。それは電気通信データのためであり、ロックされていない顧客の予想寿命を予測したいので、契約期間の終了した顧客は月ごとに辞任することができます。 1年または2年の契約が終了すると、ロック解除された顧客であり、時間が経つにつれて、解約(新規契約の購入)またはロックされていない顧客の滞在が可能になります(競合

    1

    1答えて

    私はパネルデータを持っており、固定効果とランダム効果のハウスマンテストを行いたいと思っています。ここ は私のコードです: Proc glm DATA=Sampledata_adjvol; absorb TRD_STCK_CD; class TRD_EVENT_ROUFOR; model adjusted_volume_5 = TRD_EVENT_ROUFOR/solution; run;

    0

    1答えて

    私はで模倣することができるパネルデータセットを持っている: set.seed(123) N = 1000 X2 = runif(N, 0, 1) X1 = sample(0:6, N, replace=TRUE) eps = rnorm(N, 0, 6) length = sample(1:4,N,replace=TRUE) Ycont = 0.5*X2 - 0.3*X1 +0.2*l

    0

    1答えて

    SASを使用することに限定され、パネル/縦データセットがあるとします。コホートと時間の指標、測定変数のあるものはyです。 data in; input cohort time y; datalines; 1 1 100 1 2 101 1 3 102 1 4 103 1 5 104 1 6 105 2 2 . 2 3 . 2 4 . 2 5 . 2 6 . 3 3 .