我正在运行两个回归,我认为这会产生相同的结果,我想知道是否有人可以解释为什么它们不同。一种是使用 statsmodels OLS,另一种是使用 Linearmodels PanelOLS。
下面显示了一个最小的工作示例。系数相似,但绝对不一样(statsmodels 中的 0.1167 和 0.3514,线性模型中的 0.1101 和 0.3100)。 R 平方也有很大不同(0.953 与 0.767)。
import statsmodels.formula.api as smf
from linearmodels import PanelOLS
from statsmodels.datasets import grunfeld
data = grunfeld.load_pandas().data
# Define formula and run statsmodels OLS regression
ols_formula = 'invest ~ value + capital + C(firm) + C(year) -1'
ols_fit = smf.ols(ols_formula,data).fit()
# Set multiindex and run PanelOLS regression
data = data.set_index(['firm','year'])
panel_fit = PanelOLS(data.invest,data[['value','capital']],entity_effects=True).fit()
# Look at results
ols_fit.summary()
panel_fit
任何见解表示赞赏!
要复制相同的 Beta,您应该使用
entity_effect
和 time_effect
到面板 ols,如下所示:
import statsmodels.formula.api as smf
from linearmodels import PanelOLS
from statsmodels.datasets import grunfeld
data = grunfeld.load_pandas().data
# Define formula and run statsmodels OLS regression
ols_formula = 'invest ~ value + capital + C(firm) + C(year) -1'
ols_fit = smf.ols(ols_formula,data).fit()
# Set multiindex and run PanelOLS regression
data = data.set_index(['firm','year'])
panel_fit = PanelOLS(
data.invest,
data[['value','capital']],
entity_effects=True,
time_effects=True
).fit()
# Look at results
print(ols_fit.summary())
print(panel_fit)
这导致:
OLS
value 0.1167
capital 0.3514
R-squared: 0.953
面板OLS
value 0.1167
capital 0.3514
R-squared: 0.7253
但是,由于两个回归的性质不同,R 平方将保持不同。在面板中,您只有 2 个回归量(价值、资本),其中公司和年份设置为固定效应。在 OLS 回归中,您有许多回归量,如创建的虚拟变量数量(公司和年份)+ 价值和资本变量。所以这自然会导致更高的 R^2