python - 使用 Python 进行具有固定效应的面板数据回归

Question

我将以下面板存储在 df 中:



状态
区
年
是
持续的
x1
x2
时间


0
01
01001
2009年
12
1
0.956007
639673
1

1
01
01001
2010年
20
1
0.972175
639673
2

2
01
01001
2011年
22
1
0.988343
639673
3

3
01
01002
2009年
0
1
0
33746
1

4
01
01002
2010年
1
1
0.225071
33746
2

5
01
01002
2011年
5
1
0.450142
33746
3

6
01
01003
2009年
0
1
0
45196
1

7
01
01003
2010年
5
1
0.427477
45196
2

8
01
01003
2011年
9
1
0.854955
45196
3

y是每个区的抗议次数

constant是一列满满的

x1是移动网络提供商覆盖的地区面积的比例

x2是每个区的人口数(注意是时间固定的)

如何在 Python 中运行以下模型？


这是我尝试过的

# Transform `x2` to match model
df['x2'] = df['x2'].multiply(df['time'], axis=0)
# District fixed effects
df['delta'] = pd.Categorical(df['district'])
# State-time fixed effects
df['eta'] = pd.Categorical(df['state'] + df['year'].astype(str))
# Set indexes
df.set_index(['district','year'])

from linearmodels.panel import PanelOLS
m = PanelOLS(dependent=df['y'], exog=df[['constant','x1','x2','delta','eta']])

ValueError: exog does not have full column rank. If you wish to proceed with model estimation irrespective of the numerical accuracy of coefficient estimates, you can set rank_check=False.

我究竟做错了什么？

Answer 1

我在附近挖掘 the documentation结果证明解决方案非常简单。
设置索引并将固定效果列转为pandas.Categorical后类型(见上面的问题):

# Import model
from linearmodels.panel import PanelOLS

# Model
m = PanelOLS(dependent=df['y'],
             exog=df[['constant','x1','x2']],
             entity_effects=True,
             time_effects=False,
             other_effects=df['eta'])
m.fit(cov_type='clustered', cluster_entity=True)

即，不要将您的固定效应列传递给 exog .
您应该将它们传递给 entity_effects ( bool ), time_effects ( bool 值)或 other_effects ( Pandas 。分类)。