A estimar la función de vectores autorregresivos e impulso de respuesta con datos de panel

Question

Estoy trabajando en vector auto regresión (VARs) e impulso respuesta función (IRFs) estimación basada en datos de panel con 33 individuos sobre 77 cuartos. ¿Cómo se debe analizar este tipo de situaciones? ¿Qué algoritmo existe para ello? Preferiría llevar a cabo estos análisis en R, así que si alguien está familiarizado con el código de R o un paquete diseñado para este propósito podría sugerir, que serían especialmente útiles.

Answer 1

Común de datos de panel de autorregresión vectorial se incluyen los modelos Arellano-Bond estimador (comúnmente conocida como "diferencia" GMM), el Blundell-Bond estimador (comúnmente conocido como "sistema" GMM) y los Arellano-Bover estimador. Todo el uso de GMM, y comenzar con un modelo: $$y_ {}=\sum_{i=1}^p\rho_ly_{i,t-l}+x_{i,t}'\beta+\alpha_i+\epsilon_ {} $$

Arellano and Bond takes the first difference of $y_{i,t}$ to remove the fixed effect, $\alpha_i$ y, a continuación, utiliza quedado niveles como instrumentos: $$ E[\Delta \epsilon_{it}y_{i,t-2}]=0$$

This is basically the same as the procedure detailed in this Holtz-Eakin Newey Rosen article, which also provides some instructions for implementation.

Blundell and Bond use lagged first differences as instruments for levels:

$$ E[\epsilon_{it}\Delta y_{i,t-1}]=0$$ El nombre de "sistema" GMM generalmente implica una mezcla de estos instrumentos con los de Arellano Bond.

Arellano y Bover utilizar el sistema GMM y también explorar hacia adelante degradante de las variables, que a mi conocimiento no es implementado directamente por R, pero usted puede comprobar fuera de su papel para más detalles.

En R, tanto de Arellano-Bond y Blundell-Bond se implementan en la plm paquete, bajo el comando pgmm. La documentación que he ligado a proporciona instrucciones y ejemplos para exactamente cómo llevarlas a la práctica.

Answer 2

Puede utilizar un sistema de regresión aparentemente sin relación ecuaciones (usando el paquete systemfit) después de convierten el conjunto de datos con pdata.frame (paquete de plm). Es necesario derivar las funciones de impulso respuesta por ti mismo. Si sigues el libro de Hamilton o de Greene, no deberia ser demasiado complicado.

Answer 3

Sugiero usar las {vars} biblioteca en R. Tiene una función para estimar un modelo VAR para estimar una función de respuesta de impulso de este modelo e investigación de causalidad de Granger etcetera.

Aconsejamos que mires en las siguientes funciones:

> VARselect()
> VAR()
> irf()
> causality()