Fixest::feols:使用sw进行交互或使用map输出模型的多个RHS版本

Question

我正在尝试使用fixest::feols输出一个模型的多个版本。我的目标是为我的数据集中的每个限制列独立运行模型，并获得所有回归摘要的列表或表格。棘手的部分是我正在与Year交互限制变量，并且我不确定如何在fixest的i()功能中使用sw()。我还尝试编写一个函数，并使用map通过向其提供列表来输出模型，但由于我对NSE的了解有限，在那里我也遇到了麻烦。以下是我的数据集的简化版本：

df <- data.frame(Year = rep(2000:2007), fipscode = c("001", "002"), 
                 conditional_ban = rep(0:1), registration = rep(0:1), pct = rnorm(n = 16, mean = .02, sd = .005))

我试着用两种方法来做这件事。第一种是在feols中使用sw()：

require(fixest)

res <- feols(fml = pct ~ 
                     i(sw(registration, conditional_ban), Year) | factor(Year) + factor(fipscode), 
             data = df)

etable(res)

这会产生错误：“您不能将逐步函数与任何其他元素组合在一起。”在这个发现之后，我尝试为我的模型创建一个函数，然后在map中使用它：

# function that takes a restriction as its argument and results in a table summary with the name 
# of the restriction 
model_restr <- function(restr){
        mod <- eval(substitute(feols(fml = pct ~
                                             i(restr, Year) | factor(Year) +
                                             factor(fipscode), 
                                     data = df)))
        modsum <- summary(mod)
        varName <- deparse(substitute(restr))
        . <- etable(modsum, signifCode = c("***" = 0.01, "**" = 0.05, "*" = 0.1))
        assign(varName, ., envir = globalenv())
}

# Then, I create a list with the restrictions
restrs <- list(names = c("conditional_ban", "registration")

# Next, I try to use map to loop the function over the list
map(restrs$names, model_restr)

这会导致错误："Error in feols(fml = pct ~ i(.x[i]，Year) | factor(Year) +：变量'.x‘和'i’在公式的RHS (第一部分)中，但不在数据集中。“

现在，我知道我正在向函数model_restr提供一个带引号的参数，并且我尝试使用!！或者使用noquote()来取消引用参数，比如：

 model_restr <- function(restr){
        restr <- noquote(restr)
        mod <- eval(substitute(feols(fml = pct ~
                                             i(restr, Year) | factor(Year) +
                                             factor(fipscode), 
                                     data = df)))
        modsum <- summary(mod)
        varName <- deparse(substitute(restr))
        . <- etable(modsum, signifCode = c("***" = 0.01, "**" = 0.05, "*" = 0.1))
        assign(varName, ., envir = globalenv())
}

我知道当涉及到NSE时，我可能遗漏了一些重要的东西，但我不知道到底是哪里出了问题。我对R和编程非常陌生，但我渴望了解这一点，这样我就可以加快我的工作流程。感谢您的帮助！！

Answer 1

只需将i()插入到sw()中，就可以了：

data(base_did) ; base = base_did
# Alternative treatment indicator, purely random
base$treat_bis = 1 * (base$id %in% sample(108, 50))

# 2 estimations
res = feols(y ~ sw(i(treat, period, 5), i(treat_bis, period, 5)) | id + period, base)
etable(res)
#>                                  model 1         model 2
#> Dependent Var.:                        y               y
#>                                                         
#> treat x period = 1        -2.015 (1.342)                
#> treat x period = 2        -1.664 (1.389)                
#> treat x period = 3        0.5041 (1.323)                
#> treat x period = 4       -0.8846 (1.416)                
#> treat x period = 6         1.159 (1.227)                
#> treat x period = 7       4.335** (1.308)                
#> treat x period = 8        3.826* (1.514)                
#> treat x period = 9      4.640*** (1.293)                
#> treat x period = 10     6.947*** (1.426)                
#> treat_bis x period = 1                    -1.565 (1.358)
#> treat_bis x period = 2                    -1.200 (1.425)
#> treat_bis x period = 3                   -3.350* (1.301)
#> treat_bis x period = 4                   -3.538* (1.385)
#> treat_bis x period = 6                   -2.660* (1.227)
#> treat_bis x period = 7                    -2.274 (1.382)
#> treat_bis x period = 8                   -3.399* (1.529)
#> treat_bis x period = 9                   -2.724. (1.374)
#> treat_bis x period = 10                   -2.177 (1.615)
#> Fixed-Effects:          ---------------- ---------------
#> id                                   Yes             Yes
#> period                               Yes             Yes
#> _______________________ ________________ _______________
#> S.E.: Clustered                   by: id          by: id
#> Observations                       1,080           1,080
#> R2                               0.32343         0.26744
#> Within R2                        0.08710         0.01155

我擅自更改了示例，因为交互与固定效果是共线的。

顺便说一句，在管道的RHS中不需要factor() (它只会使估计变慢)。