我通常在广义最小二乘框架下工作,估计Wooldridge的
引导的
(2013)调用、随机效应和固定效应模型对纵向数据的影响,纵向数据由个人和时间维度索引。
我一直在用
最小二乘法
估算中
plm()
,从
plm
包,以估计随机效应模型
混合模型
。这个
plm()
函数采用
index
参数,其中我指示个人和时间索引。然而,我现在面临的一些数据是,每个人在每个时间点都有几个衡量标准,也就是说,什么是群体结构。
我发现使用
lmer()
从
lme4
然而,我对术语的差异和可能性框架有点困惑,我想知道是否正确指定了模型。我担心我可能会忽视更多的实质性内容,因为我不熟悉框架和术语。
我可以复制我的
plm()
模型使用
lmer()
,但我不确定如何添加分组。我试着用下面的话来说明我的问题。
我找到一些看起来有点像我的数据的数据来说明我的情况。首先是一些需要的软件包,
install.packages(c("mlmRev", "plm", "lme4", "stargazer"), dependencies = TRUE)
然后是数据
data(egsingle, package = "mlmRev")
egsingle
是一个不平衡的小组,由1721名学生组成,分为60所学校,跨越五个时间点。这些数据最初随HLM软件包分发(Bryk、Raudenbush和Congdon,1996),但可以在
mlmrev
软件包,有关详细信息,请参阅
? mlmRev::egsingle
一些轻松的数据管理
dta <- egsingle
dta$Female <- with(dta, ifelse(female == 'Female', 1, 0))
这里有一个数据片段
dta[118:127,c('schoolid','childid','math','year','size','Female')]
#> schoolid childid math year size Female
#> 118 2040 289970511 -1.830 -1.5 502 1
#> 119 2040 289970511 -1.185 -0.5 502 1
#> 120 2040 289970511 0.852 0.5 502 1
#> 121 2040 289970511 0.573 1.5 502 1
#> 122 2040 289970511 1.736 2.5 502 1
#> 123 2040 292772811 -3.144 -1.5 502 0
#> 124 2040 292772811 -2.097 -0.5 502 0
#> 125 2040 292772811 -0.316 0.5 502 0
#> 126 2040 293550291 -2.097 -1.5 502 0
#> 127 2040 293550291 -1.314 -0.5 502 0
下面是我如何设置
随机效应模型
没有
schoolid
使用
plm()
,则,
library(plm)
reg.re.plm <- plm(math~Female+size+year, dta, index = c("childid", "year"), model="random")
# summary(reg.re.plm)
我可以复制这些结果
lme4
像这样
require(lme4)
dta$year <- as.factor(dta$year)
reg.re.lmer <- lmer(math~Female+size+year+(1|childid), dta)
# summary(reg.re.lmer)
现在,从阅读
chapter 2 in Bates (2010) âlme4: Mixed-effects modeling
with Râ
我相信这就是我将如何具体化模型,包括集群级别,
学校ID
,则,
reg.re.lmer.in.school <- lmer(math~Female+size+year+(1|childid)+(1|schoolid), dta)
# summary(reg.re.lmer.in.school)
然而,当我看到结果时,我并不太确信我确实正确地指定了它(见下文)。
在我的实际数据中,重复测量是在个人内部进行的,但我可以将此数据作为示例。如能就如何进行提供任何建议,我将不胜感激。可能是引用了一个与Wooldridge(2013)中使用的符号/术语不太远的工作示例。还有,我如何反向工作并编写
reg.re.lmer.in.school
模型
# library(stargazer)
stargazer::stargazer(reg.re.plm, reg.re.lmer, reg.re.lmer.in.school, type="text")
#> =====================================================================
#> Dependent variable:
#> -------------------------------------------------
#> math
#> panel linear
#> linear mixed-effects
#> (1) (2) (3)
#> ---------------------------------------------------------------------
#> Female -0.025 -0.025 0.008
#> (0.046) (0.047) (0.042)
#>
#> size -0.0004*** -0.0004*** -0.0003
#> (0.0001) (0.0001) (0.0002)
#>
#> year-1.5 0.878*** 0.876*** 0.866***
#> (0.059) (0.059) (0.059)
#>
#> year-0.5 1.882*** 1.880*** 1.870***
#> (0.059) (0.058) (0.058)
#>
#> year0.5 2.575*** 2.574*** 2.562***
#> (0.059) (0.059) (0.059)
#>
#> year1.5 3.149*** 3.147*** 3.133***
#> (0.060) (0.059) (0.059)
#>
#> year2.5 3.956*** 3.954*** 3.939***
#> (0.060) (0.060) (0.060)
#>
#> Constant -2.671*** -2.669*** -2.693***
#> (0.085) (0.086) (0.152)
#>
#> ---------------------------------------------------------------------
#> Observations 7,230 7,230 7,230
#> R2 0.735
#> Adjusted R2 0.735
#> Log Likelihood -8,417.815 -8,284.357
#> Akaike Inf. Crit. 16,855.630 16,590.720
#> Bayesian Inf. Crit. 16,924.490 16,666.460
#> F Statistic 2,865.391*** (df = 7; 7222)
#> =====================================================================
#> Note: *p<0.1; **p<0.05; ***p<0.01
