Deutsches R-Forum

Hallo zusammen,

ich untersuche aktuell die Einflussfaktoren der Präsenz auf Hauptversammlungen. Ich gelange aktuell zum Problem, dass ich in verschiedenen Modellvarianten meiner Panelregression bei einem Reset-Test auf p-Werte <0,01 komme und somit die Voraussetzung der Linearität nicht erfüllt ist bzw. eine Fehlspezifikation vorhanden ist. Ich habe diverser Varianten probiert und verschiedene unabhängige Variablen ausgetauscht bzw. aus dem Modell entfernt. Das Problem bleibt vorhanden.

Meine Variablen sind entweder metrisch skaliert oder es handelt sich um Dummy-Variablen. Die Anordnung der Daten ist im Long-Panel-Format

Zudem habe ich in dem Datensatz Autokorrelation und Heteorskedazitität. Insbesondere das Problem mit Heteroskedastizität scheint mir ggf. mit der Fehlspezifikation zusammenzuhängen.

Kann mir jemand eine Methode zur Adjustierung vorschlagen und ggf. das Package und die entsprechende Funktion nennen?

Mit freundlichen Grüßen
Marco

Zudem habe ich in dem Datensatz Autokorrelation und Heteorskedazitität.

Hört sich für mich nach einem Job für nlme an: Random-Effects, Autokorrelation & mehrere Varianz-parameter.

Z.b. so (dummy-code):
Du wirst ordentliche Menge an Daten brauchen um die ganzen Parameter schätzen zu können...

Wenn man das ganze mit smoother haben will (nicht-linearität), würde ich zum GAMM raten. Das ist aber nochmal ne Spur komplexer und braucht nochmehr Daten.

Halli Edi,

verstehe ich das Richtig :
x1:x2 -> Ich muss jede Variable durch eine andere dividieren? -> X1:2X + X1:X3 + X2:X3?
Bisher habe ich mein x immer wie folgt definiert x <- cbind( 123, 234, 456)

Als Datensatz habe ich ca. 110-120 Unternehmen und t=5 Beobachtungszeitpunkte.

Ich habe mal einen Plot von meinem REM angehangen.

x1:x2 -> Ich muss jede Variable durch eine andere dividieren? -> X1:2X + X1:X3 + X2:X3?

Der ":" Operator erzeugt eine Interaktion, siehe ?formula. Ich weiß nicht ob du das in deinem Model haben willst, ich hab ja nur dummy-code dargestellt...

t=5 Beobachtungszeitpunkte.

Ich würde da nicht mit AR1 korrelierten Residuen anfangen, zu wenig..
Ein random effect mit Unternehmen könnte schon reichen.

Problem mit Heteroskedastizität

Woran erknnst du das?

Hallo Edi,

auf Heteroskedasitizät komme ich auf Grund der Ergebnisse folgender Tests:

gqtest (wohl wissend, dass er bei der kleinen Stichprobe kaum einen Aussagewert besitzt)
bptest

Ich würde gerne noch den White-Test durchführen nur ist mir die Modellierung über bptest nicht klar.

Mit freundlichen Grüßen
Marco

Ich halte nichts von solchen Tests (kommen wieder mit Annahmen, haben teilw. komische Nullhypothesen, sind entweder zu scharf (viele Daten) oder zu schwach (wenige Daten)) und verlasse mich eher auf Diagnostische plot um meine Modelle zu prüfen.

BTW: White test geht mit bptest(), einfach in der formel noch die quadrierten Einzelterme hinzufügen (http://r.789695.n4.nabble.com/Breusch-p ... 06484.html)

Hallo Edi,

nur damit ich es richtig verstehe, weil ich bisher immer nur Code-Beispiele mit zwei Variablen finde. Bei drei bzw. vier Variablen würde ich den Code wie folgt aufbauen: