1

我已经在 Google 上搜索了很多，但找不到这方面的文档。我正在尝试估计 R 中横截面时间序列数据的可行广义最小二乘 (FGLS) 模型。例如：

library(nlme)
foo <- gls(Y ~ factor(panel_ID) + X1 + X2, data = myData,
           correlation=corARMA(p=1), method='ML', na.action=na.pass)

当我运行它时（我的数据框非常大，这就是我不在这里包含它的原因），我收到以下错误：

数组中的错误（c（X，y），c（N，ncol（X）+ 1），列表（row.names（dataMod），c（colnames（X），：'dimnames'[1]的长度不等于阵列范围

有没有人足够熟悉内部工作gls或nlme包的一般情况来告诉我我在这里做错了什么？或者建议另一种方法来解决这个问题（我也试过这个plm包）？

4

1 回答 1

1

本·博克纳给出了答案。

NA在您的数据中呈现的主要原因。请看下面的模拟：

library(nlme)

# Simulation
n <-100
myData <- data.frame(panel_ID = sample(letters[1:3], n, replace = TRUE), X1 = rnorm(n), X2 = rnorm(n), Y = rnorm(n))
# NA introduction into X1 variable in Row 10.
myData$X1[10] <- NA


foo <- gls(Y ~ factor(panel_ID) + X1 + X2, data = myData,
           correlation=corARMA(p=1), method='ML', na.action=na.pass)

它抛出错误：

数组中的错误（c（X，y），c（N，ncol（X）+ 1L），列表（row.names（dataMod），c（colnames（X），：'dimnames'[1]的长度不相等阵列范围

要消除问题，您可以删除NAs 就可以了。

# remove NAs 
myData <- myData[!is.na(myData$X1), ]

foo <- gls(Y ~ factor(panel_ID) + X1 + X2, data = myData,
           correlation=corARMA(p=1), method='ML', na.action=na.pass)

summary(foo)

输出：

Generalized least squares fit by maximum likelihood
  Model: Y ~ factor(panel_ID) + X1 + X2 
  Data: myData 
       AIC      BIC    logLik
  280.8763 299.0421 -133.4382

Correlation Structure: AR(1)
 Formula: ~1 
 Parameter estimate(s):
       Phi 
-0.3496918 

Coefficients:
                        Value  Std.Error    t-value p-value
(Intercept)        0.21510948 0.14041692  1.5319343  0.1289
factor(panel_ID)b -0.27337750 0.25997687 -1.0515455  0.2957
factor(panel_ID)c -0.21930200 0.19704831 -1.1129352  0.2686
X1                -0.00604318 0.09469452 -0.0638177  0.9493
X2                 0.23870397 0.09754513  2.4471130  0.0163

 Correlation: 
                  (Intr) fctr(pnl_ID)b fctr(pnl_ID)c X1    
factor(panel_ID)b -0.649                                   
factor(panel_ID)c -0.787  0.443                            
X1                -0.065  0.148         0.044              
X2                -0.094  0.021        -0.011         0.117

Standardized residuals:
        Min          Q1         Med          Q3         Max 
-2.07929137 -0.77670150 -0.01062337  0.52685034  2.43978797 

Residual standard error: 0.9935003 
Degrees of freedom: 99 total; 94 residual
于 2019-12-25T10:28:03.153 回答