R语言面板平滑转换回归(PSTR)分析案例实现

相关视频

在程序包中实现了集群依赖性和异方差性一致性检验。

还实现了wild bootstrap和cluster wild bootstrap检验。

并行计算（作为选项）在某些函数中实现，尤其是bootstrap检验。因此，该程序包适合在超级计算服务器上运行多个核心的任务。

数据

“Hansen99”数据集来提供示例。

初始化

可以通过执行创建PSTR类的新对象

#> Summary of the model:

#> ---------------------------------------------------------------------------

#>   time horizon sample size = 14,  number of individuals = 560

#> ---------------------------------------------------------------------------

#> Dependent variable:  inva

#> ---------------------------------------------------------------------------

#> Explanatory variables in the linear part:

#>   dt\_75 dt\_76 dt\_77 dt\_78 dt\_79 dt\_80 dt\_81 dt\_82 dt\_83 dt\_84 dt\_85 dt\_86 dt_87 vala debta cfa sales

#> ---------------------------------------------------------------------------

#> Explanatory variables in the non-linear part:

#>   vala debta cfa sales

#> ---------------------------------------------------------------------------

#> Potential transition variable(s) to be tested:

#>   vala

#> ###########################################################################

#> ***************************************************************************

#> Results of the linearity (homogeneity) tests:

#> ***************************************************************************

#> Sequence of homogeneity tests for selecting number of switches 'm':

#> ***************************************************************************

#> ###########################################################################

因变量是“inva”，第4列到第20列的数据中的变量是线性部分的解释变量，非线性部分中的解释变量是“indep_k”中的四个，潜在的转换变量是“vala”（Tobin的Q）。

以下代码执行线性检验

#> ###########################################################################

#> ***************************************************************************

#> Results of the linearity (homogeneity) tests:

#> ---------------------------------------------------------------------------

#> LM tests based on transition variable 'vala'

#>   m  LM\_X PV  LM\_F PV HAC\_X        PV HAC\_F        PV

#>   1 125.3  0 28.99  0 30.03 4.819e-06 6.952 1.396e-05

#> ***************************************************************************

#> Sequence of homogeneity tests for selecting number of switches 'm':

#> ---------------------------------------------------------------------------

#> LM tests based on transition variable 'vala'

#>   m  LM\_X PV  LM\_F PV HAC\_X        PV HAC\_F        PV

#>   1 125.3  0 28.99  0 30.03 4.819e-06 6.952 1.396e-05

#> ***************************************************************************

#> ###########################################################################

可以看到函数“LinTest”获取PSTR对象“pstr”并返回结果。因为处理包中PSTR对象的函数通过添加新的atrributes来更新对象。当然可以创建新的PSTR对象来获取返回值，以便保存模型的不同设置的结果。

可以通过运行以下代码来执行wild bootstrap和wild cluster bootstrap。

估计

当确定要用于估计的转换变量时，在本例中为“inva”，可以估计PSTR模型

print(pstr,"estimates")

默认情况下，使用“optim”方法“L-BFGS-B”，但可以通过更改优化方法进行估算

print(pstr,"estimates")

#> ###########################################################################

#> ###########################################################################

#> ***************************************************************************

#> Results of the PSTR estimation:

#> ---------------------------------------------------------------------------

#> Transition variable 'vala' is used in the estimation.

#> ---------------------------------------------------------------------------

#> Parameter estimates in the linear part (first extreme regime) are

#>        dt\_75\_0   dt\_76\_0   dt\_77\_0   dt\_78\_0  dt\_79\_0  dt\_80\_0   dt\_81\_0

#> Est  -0.002827 -0.007512 -0.005812 0.0003951 0.002464 0.006085 0.0004164

#> s.e.  0.002431  0.002577  0.002649 0.0027950 0.002708 0.002910 0.0029220

#>        dt\_82\_0   dt\_83\_0    dt\_84\_0  dt\_85\_0   dt\_86\_0   dt\_87\_0  vala_0

#> Est  -0.007802 -0.014410 -0.0009146 0.003467 -0.001591 -0.008606 0.11500

#> s.e.  0.002609  0.002701  0.0030910 0.003232  0.003202  0.003133 0.04073

#>       debta\_0   cfa\_0  sales_0

#> Est  -0.03392 0.10980 0.002978

#> s.e.  0.03319 0.04458 0.008221

#> ---------------------------------------------------------------------------

#> Parameter estimates in the non-linear part are

#>        vala\_1 debta\_1    cfa\_1  sales\_1

#> Est  -0.10370 0.02892 -0.08801 0.005945

#> s.e.  0.03981 0.04891  0.05672 0.012140

#> ---------------------------------------------------------------------------

#> Parameter estimates in the second extreme regime are

#>      vala_{0+1} debta_{0+1} cfa_{0+1} sales_{0+1}

#> Est    0.011300    -0.00500   0.02183    0.008923

#> s.e.   0.001976     0.01739   0.01885    0.004957

#> ---------------------------------------------------------------------------

#> Non-linear parameter estimates are

#>       gamma        c_1

#> Est  0.6299 -0.0002008

#> s.e. 0.1032  0.7252000

#> ---------------------------------------------------------------------------

#> Estimated standard deviation of the residuals is 0.04301

#> ***************************************************************************

#> ###########################################################################

还实现了线性面板回归模型的估计。

print(pstr0,"estimates")

#> ###########################################################################

#> ## PSTR 1.2.4 (Orange Panel)

#> ###########################################################################

#> ***************************************************************************

#> A linear panel regression with fixed effects is estimated.

#> ---------------------------------------------------------------------------

#> Parameter estimates are

#>          dt\_75     dt\_76     dt\_77    dt\_78    dt\_79    dt\_80    dt_81

#> Est  -0.007759 -0.008248 -0.004296 0.002356 0.004370 0.008246 0.004164

#> s.e.  0.002306  0.002544  0.002718 0.002820 0.002753 0.002959 0.002992

#>          dt\_82     dt\_83    dt\_84    dt\_85    dt\_86     dt\_87     vala

#> Est  -0.005294 -0.010040 0.006864 0.009740 0.007027 0.0004091 0.008334

#> s.e.  0.002664  0.002678 0.003092 0.003207 0.003069 0.0030080 0.001259

#>          debta     cfa    sales

#> Est  -0.016380 0.06506 0.007957

#> s.e.  0.005725 0.01079 0.002412

#> ---------------------------------------------------------------------------

#> Estimated standard deviation of the residuals is 0.04375

#> ***************************************************************************

#> ###########################################################################评估

可以基于估计的模型进行评估测试请注意，在“EvalTest”中，每次只有一个转换变量用于非线性测试。这与“LinTest”函数不同，后者可以采用多个转换变量。这就是为什么我将结果保存到新的PSTR对象“pstr1”而不是覆盖的原因。通过这样做，我可以在新对象中保存来自不同转换变量的更多测试结果。

iB = 5000

cpus = 50

## wild bootstrap time-varyint评估检验

pstr = WCB_TVTest(use=pstr,iB=iB,parallel=T,cpus=cpus)

## wild bootstrap异质性评估检验

pstr1 = WCB_HETest(use=pstr1,vq=pstr$mQ\[,1\],iB=iB,parallel=T,cpus=cpus)

请注意，评估函数不接受线性面板回归模型中返回的对象“pstr0”，因为评估测试是针对估计的PSTR模型设计的，而不是线性模型。

可视化

估算PSTR模型后，可以绘制估计的转换函数

还可以根据转换变量绘制系数曲线，标准误差和p值。