Durchführen des VIF-Tests in R

Question

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:

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) 

Answer 1

Es scheint zwei beliebte Möglichkeiten zur Berechnung VIFs zu sein (Variance Inflation Faktoren, Kollinearität zwischen den Variablen in der Regression zu erkennen) in R:

Das vif() Funktion im Auto-Paket, wo die Eingabe das Modell ist. Dazu müssen Sie zuerst ein Modell anpassen, bevor Sie nach VIFs zwischen Variablen im Modell suchen können.

Die Corvif() -Funktion, wobei die Eingabe die tatsächlichen erklärenden Kandidatenvariablen sind (d. H. Eine Liste von Variablen, bevor das Modell überhaupt angepasst wird). Diese Funktion ist Teil des AED-Pakets (Zuur et al. 2009), das eingestellt wurde. Dieser scheint nur auf einer Liste von Variablen zu funktionieren, nicht auf einem angepassten Regressionsmodell.