Stargazer 中的集群稳健标准误差

Posted 2023-03-12

【中文标题】Stargazer 中的集群稳健标准误差

【英文标题】：Cluster-Robust Standard Errors in Stargazer

【发布时间】：2017-10-17 01:42:46

【问题描述】：

有谁知道如何让stargazer 显示lm 模型的集群SE？ （以及相应的 F 检验？）如果可能，我想遵循类似于使用 sandwich 计算异方差稳健性 SE 并将它们弹出到 stargazer 中的方法，如 http://jakeruss.com/cheatsheets/stargazer.html#robust-standard-errors-replicating-statas-robust-option。

我正在使用lm 来获取我的回归模型，并且我正在按公司进行聚类（回归模型中未包含的因子变量）。我也有一堆 NA 值，这让我认为multiwayvcov 将是最好的包（请参阅landroni 答案的底部 - Double clustered standard errors for panel data - 还有https://sites.google.com/site/npgraham1/research/code）？请注意，我不想使用plm。

编辑：我想我找到了使用 multiwayvcov 包的解决方案...

library(lmtest) # load packages
library(multiwayvcov)

data(petersen) # load data
petersen$z <- petersen$y + 0.35  # create new variable

ols1 <- lm(y ~ x, data = petersen) # create models
ols2 <- lm(y ~ x + z, data = petersen)

cl.cov1 <- cluster.vcov(ols1, data$firmid) # cluster-robust SEs for ols1
cl.robust.se.1 <- sqrt(diag(cl.cov1))
cl.wald1 <- waldtest(ols1, vcov = cl.cov1)

cl.cov2 <- cluster.vcov(ols2, data$ticker) # cluster-robust SEs for ols2
cl.robust.se.2 <- sqrt(diag(cl.cov2))
cl.wald2 <- waldtest(ols2, vcov = cl.cov2)

stargazer(ols1, ols2, se=list(cl.robust.se.1, cl.robust.se.2), type = "text") # create table in stargazer

这种方法的唯一缺点是您必须从每个模型的waldtest() 输出手动重新输入 F 统计数据。

【参考方案1】：

使用包 lmtest 和 multiwayvcov 会导致很多不必要的开销。在 R 中计算聚类标准误差的最简单方法是修改后的 summary() 函数。此函数允许您向传统的summary() 函数添加一个名为 cluster 的附加参数。下面的文章描述了如何使用这个函数来计算 R 中的聚类标准误差：

https://economictheoryblog.com/2016/12/13/clustered-standard-errors-in-r/

您可以轻松地使用汇总函数来获取聚集的标准错误并将它们添加到 stargazer 输出中。根据您的示例，您可以简单地使用以下代码：

# estimate models
ols1 <- lm(y ~ x) 

# summary with cluster-robust SEs
summary(ols1, cluster="cluster_id") 

# create table in stargazer
stargazer(ols1, se=list(coef(summary(ols1,cluster = c("cluster_id")))[, 2]), type = "text") 

【讨论】：

我想用 4 个回归模型创建一个输出。每个模型都应该有聚集的标准误。您将如何设置代码？这是没有聚集标准错误的模型的样子：stargazer(m1,m2,m3,m4, type="html", dep.var.labels=c("ROA"), intercept.bottom = FALSE, out ="OLS1")

@YaronNolan 我会执行以下操作：clust

我使用了这个函数，但它给了我与没有集群选项的相同的标准错误。 felm 也给出了另一个错误（非常小），而 stata 给出了一个稍大的错误。不知道为什么会发生这种情况，但首先比较几个工具的一致性可能是个好主意。

请注意，那里的代码不再起作用。

【参考方案2】：

我会推荐lfe 包，它比lm 包更强大。您可以轻松地在回归模型中指定集群：

ols1 <- felm(y ~ x + z|0|0|firmid, data = petersen)
summary(ols1)

stargazer(OLS1, type="html")

将自动生成聚类标准误。而stargazer 会相应地报告集群标准错误。

顺便说一下（允许我做更多营销），对于微观经济分析，强烈推荐felm。您可以使用felm 轻松指定固定效果和 IV。语法是这样的：

ols1 <- felm(y ~ x + z|FixedEffect1 + FixedEffect2 | IV | Cluster, data = Data)

【讨论】：

当我使用“lm”命令时，会显示我的行业和年份假人。当我使用“felm”命令时，我的行业和你的假人没有显示出来。 r 在使用您的代码时是否仍然考虑这些假人？这就是我的代码的样子：

m1_1