ich versuche derzeit für eine Regressionsanalyse mit einem Paneldatensatz einen Hausman-Test durchzuführen um zu erfahren, ob ich ein Fixed- oder Random Effect Model anwenden werde. In meinem Datensatz habe ich sowohl Autokorrelation, als auch Heteroskedasdizität.
Das Fixed Effect Model kann ich erfolgreich schätzen, leider wird mir bei der Berechnung des Random Models folgender Fehler gegeben:
model not estimable as there are 16 coefficient(s) (incl. intercept) to be estimated for the
between model but only 10 individual(s).
Könnte mir einer helfen, welchen Fehler ich in meinem Datensatz oder meinem Berechnungen habe?
Meine Daten hänge ich als .csv an.
Session Info:
Code: Alles auswählen
> sessionInfo()
R version 4.0.2 (2020-06-22)
Platform: x86_64-apple-darwin17.0 (64-bit)
Running under: macOS Catalina 10.15.5
Matrix products: default
BLAS: /Library/Frameworks/R.framework/Versions/4.0/Resources/lib/libRblas.dylib
LAPACK: /Library/Frameworks/R.framework/Versions/4.0/Resources/lib/libRlapack.dylib
locale:
[1] de_DE.UTF-8/de_DE.UTF-8/de_DE.UTF-8/C/de_DE.UTF-8/de_DE.UTF-8
attached base packages:
[1] splines stats graphics grDevices utils datasets methods base
other attached packages:
[1] Rcmdr_2.6-2 effects_4.1-4 RcmdrMisc_2.7-0 sandwich_2.5-1 car_3.0-8 carData_3.0-4
[7] plm_2.2-3 lmtest_0.9-37 zoo_1.8-8
loaded via a namespace (and not attached):
[1] Formula_1.2-3 Rdpack_1.0.0 statmod_1.4.34 latticeExtra_0.6-29 cellranger_1.1.0
[6] pillar_1.4.4 backports_1.1.8 lattice_0.20-41 glue_1.4.1 digest_0.6.25
[11] RColorBrewer_1.1-2 checkmate_2.0.0 minqa_1.2.4 colorspace_1.4-1 survey_4.0
[16] htmltools_0.5.0 Matrix_1.2-18 pkgconfig_2.0.3 bibtex_0.4.2.2 haven_2.3.1
[21] purrr_0.3.4 scales_1.1.1 jpeg_0.1-8.1 openxlsx_4.1.5 rio_0.5.16
[26] lme4_1.1-23 tibble_3.0.2 htmlTable_2.0.1 relimp_1.0-5 generics_0.0.2
[31] ggplot2_3.3.2 ellipsis_0.3.1 nnet_7.3-14 maxLik_1.3-8 survival_3.1-12
[36] magrittr_1.5 crayon_1.3.4 readxl_1.3.1 nlme_3.1-148 MASS_7.3-51.6
[41] forcats_0.5.0 foreign_0.8-80 class_7.3-17 tools_4.0.2 data.table_1.12.8
[46] mitools_2.4 hms_0.5.3 tcltk2_1.2-11 gbRd_0.4-11 lifecycle_0.2.0
[51] stringr_1.4.0 munsell_0.5.0 cluster_2.1.0 zip_2.0.4 compiler_4.0.2
[56] e1071_1.7-3 rlang_0.4.6 nloptr_1.2.2.2 grid_4.0.2 rstudioapi_0.11
[61] miscTools_0.6-26 htmlwidgets_1.5.1 tcltk_4.0.2 base64enc_0.1-3 boot_1.3-25
[66] gtable_0.3.0 DBI_1.1.0 abind_1.4-5 curl_4.3 R6_2.4.1
[71] gridExtra_2.3 knitr_1.29 dplyr_1.0.0 bdsmatrix_1.3-4 nortest_1.0-4
[76] Hmisc_4.4-0 stringi_1.4.6 Rcpp_1.0.5 vctrs_0.3.1 rpart_4.1-15
[81] acepack_1.4.1 png_0.1-7 tidyselect_1.1.0 xfun_0.15
>
Folgende Berechnungen habe ich gemacht:
Code: Alles auswählen
> LinearModel.1 <- lm(EBITDA.BS ~ aa + ac + af + AI + ana + cs + da + Delta.Umsatz + iag + lh + Log.BS. +
+ Log.Umsatz. + NDTS + sa + Unternehmenscode + VS, data=NW)
> summary(LinearModel.1)
Call:
lm(formula = EBITDA.BS ~ aa + ac + af + AI + ana + cs + da +
Delta.Umsatz + iag + lh + Log.BS. + Log.Umsatz. + NDTS +
sa + Unternehmenscode + VS, data = NW)
Residuals:
Min 1Q Median 3Q Max
-0.100686 -0.016440 0.001175 0.017008 0.068421
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.61014261 0.17467798 -3.493 0.000769 ***
aa -0.00884478 0.02717911 -0.325 0.745678
ac 0.05646631 0.03306026 1.708 0.091378 .
af -0.03397842 0.02792064 -1.217 0.227067
AI 0.04861251 0.07362484 0.660 0.510907
ana 0.14857386 0.05192850 2.861 0.005340 **
cs -0.15303221 0.03296449 -4.642 0.0000128 ***
da -0.00918507 0.01920931 -0.478 0.633795
Delta.Umsatz 0.00098364 0.02714870 0.036 0.971185
iag 0.01002409 0.01643714 0.610 0.543631
lh -0.01907787 0.01542044 -1.237 0.219509
Log.BS. 0.14048639 0.04308927 3.260 0.001615 **
Log.Umsatz. 0.00590149 0.04275103 0.138 0.890541
NDTS 0.78919926 0.32423207 2.434 0.017076 *
sa -0.01737807 0.01878398 -0.925 0.357568
Unternehmenscode -0.00097846 0.00373577 -0.262 0.794035
VS 0.00006536 0.00004763 1.372 0.173695
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.02922 on 83 degrees of freedom
Multiple R-squared: 0.3806, Adjusted R-squared: 0.2612
F-statistic: 3.188 on 16 and 83 DF, p-value: 0.0002871
> Log.Umsatz. + NDTS + sa + Unternehmenscode + VS, data = NW, model = "within")
> wi <- plm(EBITDA.BS ~ aa + ac + af + AI + ana + cs + da + Delta.Umsatz + iag + lh + Log.BS. + Log.Umsatz. + NDTS + sa + Unternehmenscode + VS, data = NW, model = "within")
> summary(wi)
Oneway (individual) effect Within Model
Call:
plm(formula = EBITDA.BS ~ aa + ac + af + AI + ana + cs + da +
Delta.Umsatz + iag + lh + Log.BS. + Log.Umsatz. + NDTS +
sa + Unternehmenscode + VS, data = NW, model = "within")
Balanced Panel: n = 10, T = 10, N = 100
Residuals:
Min. 1st Qu. Median 3rd Qu. Max.
-0.100686 -0.016440 0.001175 0.017008 0.068421
Coefficients:
Estimate Std. Error t-value Pr(>|t|)
ac 0.056466307 0.033060257 1.7080 0.091378 .
AI 0.048612507 0.073624837 0.6603 0.510907
Delta.Umsatz 0.000983641 0.027148701 0.0362 0.971185
Log.BS. 0.140486394 0.043089268 3.2604 0.001615 **
Log.Umsatz. 0.005901489 0.042751026 0.1380 0.890541
NDTS 0.789199262 0.324232069 2.4341 0.017076 *
VS 0.000065361 0.000047632 1.3722 0.173695
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Total Sum of Squares: 0.095383
Residual Sum of Squares: 0.070885
R-Squared: 0.25684
Adj. R-Squared: 0.11358
F-statistic: 4.09791 on 7 and 83 DF, p-value: 0.00065619
> re <- plm(EBITDA.BS ~ aa + ac + af + AI + ana + cs + da + Delta.Umsatz + iag + lh + Log.BS. + Log.Umsatz. + NDTS + sa + Unternehmenscode + VS, data = NW, model = "random")
Viele Grüße,
Victor