Efectos fijos de felm() de R frente a factor() dentro de lm()

Question

Me pregunto por qué es diferente utilizar la opción de efectos fijos de felm frente a utilizar la función factor(). Tenía la impresión de que eran lo mismo.

Estoy ejecutando una regresión de panel donde i es el código FIPS único y t es cada trimestre. La variable de interés, una binaria de si el FIPS se inundó o no, es constante a lo largo del tiempo. Sin embargo, mi y, el precio de la vivienda, varía con cada t. Cuando utilizo la opción de efecto fijo de felm() para FIPS, inundado es NA. Sin embargo, al utilizar factor(FIPS), se obtiene una estimación de la variable de interés.

Tengo la impresión de que la función de efecto fijo de felm() funciona correctamente. Dado que ser inundado es constante en el tiempo y no tiene variación dentro de un FIPS dado, el efecto fijo está absorbiendo el efecto de la inundación. Sin embargo, no estoy seguro de por qué factor(FIPS) dentro de la regresión devolvería una estimación ya que un efecto fijo es esencialmente lo mismo?

Answer 1

Tiene razón al señalar que, añadiendo factor(FIPS) en el lado de la fórmula de regresión debería ser equivalente a especificar factor(FIPS) + YEARxQT en el felm() bloque de efectos fijos. Estoy menos seguro de que su reg2 Sin embargo, el modelo que arroja los NA funciona correctamente, ya que normalmente arrojaría un mensaje de error antes de obtener ese resultado. Sin ver realmente sus datos, sólo puedo suponer que su problema está relacionado con un error, o tiene algo muy específico que ver con sus datos.

Afortunadamente, hay muchas formas diferentes de hacer esta estimación, y puede que merezca la pena probarlo utilizando diferentes paquetes para corroborar la estimación correcta y entender mejor qué está pasando con tu uso específico de felm() .

Por ejemplo, sólo para comprobarlo, descargué algunos datos de panel de muestra y realicé una estimación FE utilizando un binario para el regresor principal. Ejecuté un modelo de variable ficticia de mínimos cuadrados, una EF utilizando la variable binaria para el regresor principal. plm y dos versiones con felm tanto colocando el efecto fijo de entidad dentro como fuera de felm como has hecho en tu ejemplo. En los cuatro casos, la estimación del coeficiente fue exactamente la misma (como debería ser).

library(foreign)
library(plm)
library(lfe)

Panel <- read.dta("http://dss.princeton.edu/training/Panel101.dta") 

modlsdv <-lm(y ~ op + factor(country) + factor(year), data=Panel)

modplm <- plm(y ~ op + factor(year), data=Panel, index=c("country", "year"), model="within")

modfelm1 <- felm(y ~ op | country + year | 0 | country, data=Panel)

#in this last model, I move the entity FE outside the FE block
modfelm2 <- felm(y ~ op + factor(country) | year | 0 | country, data=Panel)

Sólo muestro el coeficiente de interés, ya que todas las variables factorizadas ocupan mucho espacio, pero a continuación se puede ver que todas son equivalentes (aparte de los SE en el felm modelos diferentes debido a la forma en que se agruparon).

                     LSDV           plm           felm1          felm2      

  (Intercept)    419655690.33                                               
                          3                                                 
                 (1320579554.                                               
                        769)                                                
  op             -1434277502.   -1434277502.   -1434277502.   -1434277502.  
                        244            244              244            244  
                                                          *            *    
                 (771947977.3   (771947977.3   (524652684.0   (594276313.4  
                         01)            01)            46)          03) 

  N                  70             70             70           70          
  R2                  0.386          0.264          0.386        0.386      
  logLik          -1609.649                     -1609.649     -1609.649     

  AIC              3255.298                      3255.298     3255.298