r语言将回归结果输出到txt时如何控制小数点位数

1. # Econometric Analysis, Fourth Edition by William Greene
   
2. # Chapter 14: Models for Panel Data
   
3. 
   
4. # 可以到下面两个链接看stata的例子和解释
   
5. # http://www.stata.com/support/faqs/statistics/intercept-in-fixed-effects-model/
   
6. # http://www.ats.ucla.edu/stat/stata/examples/greene/greene14.htm
   
7. 
   
8. 
   
9. rm(list=ls())
   
10. library(foreign); library(plm); library(dummies)
    
11. 
    
12. # 读取数据：6个企业，每个企业15年的面板数据
    
13. greene <- read.dta("http://www.ats.ucla.edu/stat/stata/examples/greene/table14_1.dta")
    
14. names(greene)
    
15. 
    
16. greene <- within(greene, {
    
17.                        id <- i
    
18.                        logc <- log(c)
    
19.                        logq <- log(q)
    
20.                        logf <- log(pf)                       
    
21.                        })
    
22. 
    
23. # 设定虚拟变量
    
24. greene <- dummy.data.frame(greene, names = "i")
    
25. 
    
26. # 设定为面板数据
    
27. greene <- plm.data(greene, index = c("id", "t"))  
    
28. greene <- pdata.frame(greene)   
    
29. 
    
30. 
    
31. # 1.固定效应模型  lsdv
    
32. # 包含常数项：其它虚拟变量是以省略的i1为参照组
    
33. greene.lsdv1 <- lm(logc ~ logq + logf + lf +i2 + i3 + i4 + i5 +i6, data = greene)
    
34. summary(greene.lsdv1)
    
35. 
    
36. # 不包含常数项：
    
37. greene.lsdv2 <- lm(logc ~ 0+ logq + logf + lf + i1 +i2 + i3 + i4 + i5 +i6, data = greene)
    
38. summary(greene.lsdv2)
    
39. 
    
40. 
    
41. # 2.固定效应模型  within 等价于lsdv方法
    
42. greene.fe <- plm(logc ~ logq + logf + lf, data = greene, model = "within")
    
43. summary(greene.fe)
    
44. 
    
45. 
    
46. # 面板数据模型： yit   = a + xit*b + vi + eit                   (1)
    
47. # level的常数项是 yit   = (a + vi) + xit*b + eit   中的  (a + vi)
    
48. # level的系数与dmean的系数的差值其实算的是   a   
    
49. 
    
50. summary(fixef(greene.fe, type = "level"))     #此结果等同于greene.lsdv2
    
51. summary(fixef(greene.fe, type = "dmean"))   
    
52. 
    
53. 
    
54. #dmean的系数 =  level的系数  减去 （level系数的平均值）
    
55. b.level <- summary(fixef(greene.fe, type = "level"))[,1]   #level的系数
    
56. b.dmean <- summary(fixef(greene.fe, type = "dmean"))[,1]   #dmean的系数
    
57. b.diff  <- b.level - b.dmean                 #系数的差值等于level系数的平均值        
    
58. 
    
59. b.diff
    
60. mean(b.level)                 #level系数的平均值  
    
61. mean(b.dmean)                 #dmean系数的平均值=0 由于精度问题，数值很小了
    
62. 
    
63. # ------------------------------------------------------------------------------

复制代码

1. > # Econometric Analysis, Fourth Edition by William Greene
   
2. > # Chapter 14: Models for Panel Data
   
3. >
   
4. > # 可以到下面两个链接看stata的例子和解释
   
5. > # http://www.stata.com/support/faqs/statistics/intercept-in-fixed-effects-model/
   
6. > # http://www.ats.ucla.edu/stat/stata/examples/greene/greene14.htm
   
7. >
   
8. >
   
9. > rm(list=ls())
   
10. > library(foreign); library(plm); library(dummies)
    
11. 载入需要的程辑包：Formula
    
12. dummies-1.5.6 provided by Decision Patterns
    
13. 
    
14. Warning message:
    
15. 程辑包‘dummies’是用R版本3.2.2 来建造的
    
16. >
    
17. > # 读取数据：6个企业，每个企业15年的面板数据
    
18. > greene <- read.dta("http://www.ats.ucla.edu/stat/stata/examples/greene/table14_1.dta")
    
19. > names(greene)
    
20. [1] "i"  "t"  "c"  "q"  "pf" "lf"
    
21. >
    
22. > greene <- within(greene, {
    
23. +                        id <- i
    
24. +                        logc <- log(c)
    
25. +                        logq <- log(q)
    
26. +                        logf <- log(pf)                       
    
27. +                        })
    
28. >
    
29. > # 设定虚拟变量
    
30. > greene <- dummy.data.frame(greene, names = "i")
    
31. >
    
32. > # 设定为面板数据
    
33. > greene <- plm.data(greene, index = c("id", "t"))  
    
34. > greene <- pdata.frame(greene)   
    
35. >
    
36. >
    
37. > # 1.固定效应模型  lsdv
    
38. > # 包含常数项：其它虚拟变量是以省略的i1为参照组
    
39. > greene.lsdv1 <- lm(logc ~ logq + logf + lf +i2 + i3 + i4 + i5 +i6, data = greene)
    
40. > summary(greene.lsdv1)
    
41. 
    
42. Call:
    
43. lm(formula = logc ~ logq + logf + lf + i2 + i3 + i4 + i5 + i6,
    
44.     data = greene)
    
45. 
    
46. Residuals:
    
47.       Min        1Q    Median        3Q       Max
    
48. -0.156041 -0.035217 -0.009302  0.034926  0.165866
    
49. 
    
50. Coefficients:
    
51.             Estimate Std. Error t value Pr(>|t|)   
    
52. (Intercept)  9.70594    0.19312  50.258  < 2e-16 ***
    
53. logq         0.91928    0.02989  30.756  < 2e-16 ***
    
54. logf         0.41749    0.01520  27.468  < 2e-16 ***
    
55. lf          -1.07040    0.20169  -5.307  9.5e-07 ***
    
56. i2          -0.04124    0.02518  -1.637  0.10543   
    
57. i3          -0.20892    0.04280  -4.881  5.2e-06 ***
    
58. i4           0.18456    0.06075   3.038  0.00321 **
    
59. i5           0.02405    0.07990   0.301  0.76415   
    
60. i6           0.08706    0.08420   1.034  0.30421   
    
61. ---
    
62. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
63. 
    
64. Residual standard error: 0.06011 on 81 degrees of freedom
    
65. Multiple R-squared:  0.9974,        Adjusted R-squared:  0.9972
    
66. F-statistic:  3936 on 8 and 81 DF,  p-value: < 2.2e-16
    
67. 
    
68. >
    
69. > # 不包含常数项：
    
70. > greene.lsdv2 <- lm(logc ~ 0+ logq + logf + lf + i1 +i2 + i3 + i4 + i5 +i6, data = greene)
    
71. > summary(greene.lsdv2)
    
72. 
    
73. Call:
    
74. lm(formula = logc ~ 0 + logq + logf + lf + i1 + i2 + i3 + i4 +
    
75.     i5 + i6, data = greene)
    
76. 
    
77. Residuals:
    
78.       Min        1Q    Median        3Q       Max
    
79. -0.156041 -0.035217 -0.009302  0.034926  0.165866
    
80. 
    
81. Coefficients:
    
82.      Estimate Std. Error t value Pr(>|t|)   
    
83. logq  0.91928    0.02989  30.756  < 2e-16 ***
    
84. logf  0.41749    0.01520  27.468  < 2e-16 ***
    
85. lf   -1.07040    0.20169  -5.307  9.5e-07 ***
    
86. i1    9.70594    0.19312  50.258  < 2e-16 ***
    
87. i2    9.66471    0.19898  48.571  < 2e-16 ***
    
88. i3    9.49702    0.22496  42.217  < 2e-16 ***
    
89. i4    9.89050    0.24176  40.910  < 2e-16 ***
    
90. i5    9.73000    0.26094  37.288  < 2e-16 ***
    
91. i6    9.79300    0.26366  37.142  < 2e-16 ***
    
92. ---
    
93. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
    
94. 
    
95. Residual standard error: 0.06011 on 81 degrees of freedom
    
96. Multiple R-squared:      1,        Adjusted R-squared:      1
    
97. F-statistic: 4.98e+05 on 9 and 81 DF,  p-value: < 2.2e-16
    
98. 
    
99. >
    
100. >
     
101. > # 2.固定效应模型  within 等价于lsdv方法
     
102. > greene.fe <- plm(logc ~ logq + logf + lf, data = greene, model = "within")
     
103. > summary(greene.fe)
     
104. Oneway (individual) effect Within Model
     
105. 
     
106. Call:
     
107. plm(formula = logc ~ logq + logf + lf, data = greene, model = "within")
     
108. 
     
109. Balanced Panel: n=6, T=15, N=90
     
110. 
     
111. Residuals :
     
112.    Min. 1st Qu.  Median 3rd Qu.    Max.
     
113. -0.1560 -0.0352 -0.0093  0.0349  0.1660
     
114. 
     
115. Coefficients :
     
116.       Estimate Std. Error t-value Pr(>|t|)   
     
117. logq  0.919285   0.029890 30.7555  < 2e-16 ***
     
118. logf  0.417492   0.015199 27.4682  < 2e-16 ***
     
119. lf   -1.070396   0.201690 -5.3071  9.5e-07 ***
     
120. ---
     
121. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
     
122. 
     
123. Total Sum of Squares:    39.361
     
124. Residual Sum of Squares: 0.29262
     
125. R-Squared      :  0.99257
     
126.       Adj. R-Squared :  0.89331
     
127. F-statistic: 3604.81 on 3 and 81 DF, p-value: < 2.22e-16
     
128. >
     
129. >
     
130. > # 面板数据模型： yit   = a + xit*b + vi + eit                   (1)
     
131. > # level的常数项是 yit   = (a + vi) + xit*b + eit   中的  (a + vi)
     
132. > # level的系数与dmean的系数的差值其实算的是   a   
     
133. >
     
134. > summary(fixef(greene.fe, type = "level"))     #此结果等同于greene.lsdv2
     
135.   Estimate Std. Error t-value  Pr(>|t|)   
     
136. 1  9.70594    0.19312  50.258 < 2.2e-16 ***
     
137. 2  9.66471    0.19898  48.571 < 2.2e-16 ***
     
138. 3  9.49702    0.22496  42.217 < 2.2e-16 ***
     
139. 4  9.89050    0.24176  40.910 < 2.2e-16 ***
     
140. 5  9.73000    0.26094  37.288 < 2.2e-16 ***
     
141. 6  9.79300    0.26366  37.142 < 2.2e-16 ***
     
142. ---
     
143. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
     
144. > summary(fixef(greene.fe, type = "dmean"))   
     
145.    Estimate Std. Error t-value Pr(>|t|)
     
146. 1 -0.007586   0.193124 -0.0393   0.9687
     
147. 2 -0.048822   0.198982 -0.2454   0.8062
     
148. 3 -0.216507   0.224958 -0.9624   0.3358
     
149. 4  0.176970   0.241763  0.7320   0.4642
     
150. 5  0.016469   0.260942  0.0631   0.9497
     
151. 6  0.079476   0.263662  0.3014   0.7631
     
152. >
     
153. >
     
154. > #dmean的系数 =  level的系数  减去 （level系数的平均值）
     
155. > b.level <- summary(fixef(greene.fe, type = "level"))[,1]   #level的系数
     
156. > b.dmean <- summary(fixef(greene.fe, type = "dmean"))[,1]   #dmean的系数
     
157. > b.diff  <- b.level - b.dmean                 #系数的差值等于level系数的平均值        
     
158. >
     
159. > b.diff
     
160.        1        2        3        4        5        6
     
161. 9.713528 9.713528 9.713528 9.713528 9.713528 9.713528
     
162. > mean(b.level)                 #level系数的平均值  
     
163. [1] 9.713528
     
164. > mean(b.dmean)                 #dmean系数的平均值=0 由于精度问题，数值很小了
     
165. [1] 2.960595e-16
     
166. >

复制代码

蓝色 发表于 2015-9-23 13:39
请把你帖子里面  跪求   的词语删除

好的   其实我也是求解心切  还望蓝老师理解

蓝色 发表于 2015-9-23 13:41

谢谢蓝色老师的精彩解答！

蓝色 发表于 2015-9-23 13:41

蓝色老师，我还有个疑问，stata可以做面板分位数回归分析吗？我查了一些资料都表示只能做截面分位数回归分析而不能直接进行面板分位数回归分析，直到现在我也不确定这个问题，后来我就只能求助于r语言了。就这个问题蓝色老师能帮忙解答一下吗？不胜感激！

没有用过面板分位数
下面的链接看看吧，
http://www.rand.org/economics/resources.html

蓝色 发表于 2015-9-24 14:02
没有用过面板分位数
下面的链接看看吧，
http://www.rand.org/economics/resources.html

谢谢蓝色老师！
正在努力学习中！