standard - se of regression formula

Errores estándar de Newey-West con el estimador Fama-MacBeth de Mean Groups

Question

Estoy tratando de hacer que los errores estándar de Newey-West funcionen con la salida de pmg() (Estimador de Grupos de Fama / MacBeth) del paquete plm .

Siguiendo el ejemplo de here :

require(foreign)
require(plm)
require(lmtest)
test <- read.dta("http://www.kellogg.northwestern.edu/faculty/petersen/htm/papers/se/test_data.dta")

fpmg <- pmg(y~x, test, index=c("firmid", "year")) # Time index in second position, unlike the example

Puedo usar coeftest directamente bien para obtener los errores estándar de Fama-MacBeth:

# Regular “Fama-MacBeth” standard errors
coeftest(fpmg)

# t test of coefficients:
#   
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 0.032470   0.071671   0.453   0.6505    
# x           0.969212   0.034782  27.866   <2e-16 ***
# ---
# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Sin embargo, al intentar usar los estimadores de Newey-West falla:

# Newey-West standard-errors
coeftest(fpmg, vcov = NeweyWest(fpmg, lag=3))

# Error in UseMethod("estfun") : 
#   no applicable method for ''estfun'' applied to an object of class "c(''pmg'', ''panelmodel'')"

Esto parece una deficiencia en el paquete plm . ¿Conoces una forma de hacer que esto funcione? ¿Debo codificar mi propio estfun para objetos pmg ? ¿Codificar un estimador de Newey-West desde cero? ¿O debo pasar por alto el paquete plm por completo?

Answer 1

Actualmente esto es imposible con el paquete plm .

Sin embargo, puedes crearlos tú mismo.

Supongamos que usted tiene:

fpmg <- pmg(y~x, test, index = c(''year'', ''firmid''))
fpmg.coefficients <- fpmg$coefficients
# (Intercept)            x 
#  0.03127797   1.03558610 

coeftest(fpmg)
#             Estimate Std. Error t value Pr(>|t|)    
# (Intercept) 0.031278   0.023356  1.3392   0.1806    
# x           1.035586   0.033342 31.0599   <2e-16 ***

Entonces puedes simplemente crear los estimadores tú mismo como en:

the.years <- unique(test$year)
a.formula <- y ~ x


first.step <-  lapply(the.years, function(a.year) {
                temp.data <- test[test$year == a.year, ]
                an.lm <- lm(a.formula, data = temp.data)
                the.coefficients <- an.lm$coef
                the.results <- as.data.frame(cbind(a.year, t(the.coefficients)))
                the.results
                }) 

first.step.df <- do.call(''rbind'', first.step)

second.step.coefficients <- apply(first.step.df[, -1], 2, mean)
second.step.coefficients
# (Intercept)           x 
#  0.03127797  1.03558610 

identical(fpmg.coefficients, second.step.coefficients)
# [1] TRUE

Compruebe que son idénticos en ambos sentidos por si acaso. Por último, puede obtener el Newey-West (1987) con una estadística t ajustada por retardo para los medios con:

library(sandwich)
second.step.NW.sigma.sq <- apply(first.step.df[, -1], 2, 
                             function(x) sqrt(NeweyWest(lm(x ~ 1), 
                               lag = 1, prewhite = FALSE)[''(Intercept)'',       
                                 ''(Intercept)'']))
second.step.NW.sigma.sq
#  (Intercept)            x 
#   0.02438398   0.02859447
t.statistics.NW.lag.1 <- second.step.coefficients / second.step.NW.sigma.sq

t.statistics.NW.lag.1
# (Intercept)           x 
#    1.282726   36.216301

Actualizar

En mi respuesta, solo había incluido el cálculo "manual" de la estadística t, porque es computacionalmente más rápido. Una solución más genérica es calcular las estadísticas t corregidas de Newey-West y sus valores p con la función coeftest() del paquete lmtest .

coeftest(lm(first.step.df$''(Intercept)'' ~ 1), vcov = NeweyWest(lm(first.step.df$''(Intercept)'' ~ 1), lag = 1, prewhite = FALSE))
# t test of coefficients:
#             Estimate Std. Error t value Pr(>|t|)
# (Intercept) 0.031278   0.024384  1.2827   0.2316
coeftest(lm(first.step.df$x ~ 1), vcov = NeweyWest(lm(first.step.df$x ~ 1), lag = 1, prewhite = FALSE))
# t test of coefficients:
#             Estimate Std. Error t value  Pr(>|t|)    
# (Intercept) 1.035586   0.028594  36.216 4.619e-11 ***