使用 bife 包时删除线性因变量

Question

一些预编程模型会自动删除其回归输出中的线性因变量（例如lm()）R。对于bife包，这似乎是不可能的。如第 5 页上的CRAN中的包描述所述：

如果 bife 不收敛，这通常是一个或多个回归量与固定效应之间线性相关的迹象。在这种情况下，您应该仔细检查您的模型规格。

现在，假设手头的问题涉及进行许多回归，并且无法充分检查每个回归输出——必须假设某种关于回归量的经验法则。有哪些替代方法可以或多或少地自动删除线性相关回归量并实现足够的模型规范？

我设置了一个代码作为下面的例子：

#sample coding

x=10*rnorm(40)
z=100*rnorm(40)

df1=data.frame(a=rep(c(0,1),times=20), x=x, y=x, z=z, ID=c(1:40), date=1, Region=rep(c(1,2, 3, 4),10))
df2=data.frame(a=c(rep(c(1,0),times=15),rep(c(0,1),times=5)), x=1.4*x+4, y=1.4*x+4, z=1.2*z+5, ID=c(1:40), date=2, Region=rep(c(1,2,3,4),10))
df3=rbind(df1,df2)

df3=rbind(df1,df2)

for(i in 1:4) {
  
  x=df3[df3$Region==i,]
  
  model =  bife::bife(a ~ x + y + z | ID, data = x)
  
  results=data.frame(Region=unique(df3$Region))
  
  results$Model = results

  if (i==1){
      df4=df
      next
  }

df4=rbind(df4,df)

  
} 

Error: Linear dependent terms detected!

Answer 1

由于您只查看线性依赖项，因此您可以简单地利用检测它们的方法，例如lm.

以下是该包的解决方案示例fixest：

library(bife)
library(fixest)

x = 10*rnorm(40)
z = 100*rnorm(40)

df1 = data.frame(a=rep(c(0,1),times=20), x=x, y=x, z=z, ID=c(1:40), date=1, Region=rep(c(1,2, 3, 4),10))

df2 = data.frame(a=c(rep(c(1,0),times=15),rep(c(0,1),times=5)), x=1.4*x+4, y=1.4*x+4, z=1.2*z+5, ID=c(1:40), date=2, Region=rep(c(1,2,3,4),10))

df3 = rbind(df1, df2)

vars = c("x", "y", "z")

res_all = list()
for(i in 1:4) {
    x = df3[df3$Region == i, ]

    coll_vars = feols(a ~ x + y + z | ID, x, notes = FALSE)$collin.var
    new_fml = xpd(a ~ ..vars | ID, ..vars = setdiff(vars, coll_vars))
    res_all[[i]] = bife::bife(new_fml, data = x)
}

# Display all results
for(i in 1:4) {
    cat("\n#\n# Region: ", i, "\n#\n\n")
    print(summary(res_all[[i]]))
}

这里需要的函数是feols和xpd，这两个来自fixest。一些解释：

• feols，如lm，在发现变量共线时即时删除变量。它将共线变量的名称存储在插槽中$collin.var（如果没有找到，则为NULL）。

• 相反，lm,feols也允许固定效果，因此您可以在查找线性依赖项时添加它：这样您可以发现也涉及固定效果的复杂线性依赖项。

• 我已经设置了notes = FALSE否则feols会提示一个关于共线性的注释。

• feols速度快（实际上比lm大数据集快），因此不会对您的分析造成压力。

• 该函数xpd扩展公式并将任何以两个点开头的变量名称替换为用户提供的相关参数。

  • 当 的参数xpd是向量时，行为是用加号强制它们，因此如果..vars = c("x", "y")提供，则公式a ~ ..vars | ID将变为a ~ x + y | ID。

  • 这里它..vars在公式中替换为setdiff(vars, coll_vars))，它是未发现共线的变量的向量。

因此，在执行bife估计之前，您将获得一个具有自动变量删除功能的算法。

最后，只是一个附带评论：通常最好将结果存储在列表中，因为它避免了副本。

更新

我忘了，但是如果您不需要偏差校正（bife::bias_corr），那么您可以直接使用fixest::feglmwhich 自动删除共线变量：

res_bife = bife::bife(a ~ x + z | ID, data = df3)
res_feglm = fixest::feglm(a ~ x + y + z | ID, df3, family = binomial)

rbind(coef(res_bife), coef(res_feglm))
#>                x          z
#> [1,] -0.02221848 0.03045968
#> [2,] -0.02221871 0.03045990