plm对lm -不同的结果？

Question

我多次尝试使用lm和plm进行回归。我得到了不同的结果。

首先，我使用了如下的lm：

fixed.Region1 <- lm(CapNormChange ~ Policychanges + factor(Region), 
    data=Panel)

此外，我以以下方式使用plm：

fixed.Region2 <- plm(CapNormChange ~ Policychanges+ factor(Region), 
    data=Panel, index=c("Region", "Year"), model="within", effect="individual")

我认为plm有问题，因为我没有在结果中看到拦截(见下文)。此外，我不完全确定是否有必要使用+ factor (Region)，但是，如果没有，我就看不到虚拟模型的系数(和意义)。

所以，我的问题是：

1. 我使用plm功能出错了吗？(或者它有什么问题)
2. 如果没有，结果又怎会有所不同呢？

如果有人能给我个提示，我会非常感激的。

LM的结果：

Call:
lm(formula = CapNormChange ~ Policychanges + factor(Region), 
    data = Panel)

Residuals:
    Min      1Q  Median      3Q     Max 
-31.141  -4.856  -0.642   1.262 192.803 

Coefficients:
                                Estimate Std. Error t value Pr(>|t|)    
(Intercept)                      17.3488     4.9134   3.531 0.000558 ***
Policychanges                     0.6412     0.1215   5.277 4.77e-07 ***
factor(Region)Asia              -19.3377     6.7804  -2.852 0.004989 ** 
factor(Region)C America + Carib   0.1147     6.8049   0.017 0.986578    
factor(Region)Eurasia           -17.6476     6.8294  -2.584 0.010767 *  
factor(Region)Europe            -20.7759     8.8993  -2.335 0.020959 *  
factor(Region)Middle East       -17.3348     6.8285  -2.539 0.012200 *  
factor(Region)N America         -17.5932     6.8064  -2.585 0.010745 *  
factor(Region)Oceania           -14.0440     6.8417  -2.053 0.041925 *  
factor(Region)S America         -14.3580     6.7781  -2.118 0.035878 *  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 19.72 on 143 degrees of freedom
Multiple R-squared:  0.3455,    Adjusted R-squared:  0.3043 
F-statistic: 8.386 on 9 and 143 DF,  p-value: 5.444e-10`

巴勒斯坦解放运动的成果：

 Call:
plm(formula = CapNormChange ~ Policychanges, data = Panel, effect = "individual", 
    model = "within", index = c("Region", "Year"))

Balanced Panel: n = 9, T = 17, N = 153

Residuals:
     Min.   1st Qu.    Median   3rd Qu.      Max. 
-31.14147  -4.85551  -0.64177   1.26236 192.80277 

Coefficients:
              Estimate Std. Error t-value  Pr(>|t|)    
Policychanges  0.64118    0.12150   5.277 4.769e-07 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Total Sum of Squares:    66459
Residual Sum of Squares: 55627
R-Squared:      0.16299
Adj. R-Squared: 0.11031
F-statistic: 27.8465 on 1 and 143 DF, p-value: 4.7687e-07`

Answer 1

您需要在使用plm的内部模型的公式中省略+ factor(Region)，以获得所需的内容。

在模型中没有拦截，但一些软件包(尤指。Stata和Gretl)第一次报告。您可以通过在您估计的模型上运行within_intercept来使用plm来估计它。“帮助”页面提供了有关这种人为拦截的详细信息。

如果您想要单个效果及其重要性，请使用summary(fixef(<your_plm_model>))。使用pFtest检查内部规范是否值得。

R平方在lm模型和plm模型之间发散。这是由于lm模型(如果与假人一起使用，通常被称为LSDV模型(最小二乘虚拟变量))给出有时称为总体R平方，而plm会给出降级回归的R平方，有时称为内R平方。Stata的文档中有一些关于以下内容的详细信息：https://www.stata.com/manuals/xtxtreg.pdf