Ich habe vor ein paar Tagen begonnen, R Studio zu verwenden, und ich kämpfe ein bisschen, um eine VIF zu berechnen. Hier ist die Situation:Durchführen des VIF-Tests in R
Ich habe ein Panel Daten und lief Fixed-Effekt und Random-Effekt-Regressionen. Ich habe eine abhängige Variable (New_biz_density) und zwei unabhängige Variablen (Cost_to_start, Capital_requirements). Ich würde gerne überprüfen, ob meine beiden unabhängigen Variablen Multikollinearität aufweisen, indem ich ihren Varianz-Inflationsfaktor sowohl für Fixed- als auch für Random-Effekt-Modelle berechnet.
Ich habe bereits einige Pakete installiert, um die BIF (Faraway, Car) durchzuführen, schaffte es aber nicht. Weiß jemand wie man es macht?
Vielen Dank!
Hier ist mein Skript:
# install.packages("plm")
library(plm)
mydata<- read.csv("/Users/juliantabone/Downloads/DATAweakoutliers.csv")
Y <- cbind(new_biz_density)
X <- cbind(capital_requirements, cost_to_start)
# Set data as panel data
pdata <- plm.data(mydata, index=c("country_code","year"))
# Descriptive statistics
summary(Y)
summary(X)
# Pooled OLS estimator
pooling <- plm(Y ~ X, data=pdata, model= "pooling")
summary(pooling)
# Between estimator
between <- plm(Y ~ X, data=pdata, model= "between")
summary(between)
# First differences estimator
firstdiff <- plm(Y ~ X, data=pdata, model= "fd")
summary(firstdiff)
# Fixed effects or within estimator
fixed <- plm(Y ~ X, data=pdata, model= "within")
summary(fixed)
# Random effects estimator
random <- plm(Y ~ X, data=pdata, model= "random")
summary(random)
# LM test for random effects versus OLS
plmtest(pooling)
# LM test for fixed effects versus OLS
pFtest(fixed, pooling)
# Hausman test for fixed versus random effects model
phtest(random, fixed)