我试图有效地实现块引导技术来获得回归系数的分布.主要内容如下：
我有一个面板数据集,说公司和年份是指标.对于引导的每次迭代,我希望用替换的n个主题进行抽样.从这个样本中,我需要构建一个新的数据帧,它是每个抽样主体的所有观察值的rbind()堆栈.使用这个新的数据框架,我可以运行回归并拉出系数.重复一次迭代,比如说100.
>每个公司都有可能被多次选择,所以我需要在每个迭代的数据集中多次包含它的数据.
>使用循环和子集方法,如下所示,似乎在计算上是繁重的.
>我的真实数据帧,n和#迭代比下面的例子大得多.
我的想法最初是使用split()命令将现有的总数据帧中断到主题列表中.从那里,使用sample(unique(df1 $subject),n,replace = TRUE)来获取新的列表,然后可能从plyr包中实现quickdf()来构造一个新的数据框架？
任何想法都赞赏！
示例慢代码：
require(plm)
data("Grunfeld",package="plm")
firms = unique(Grunfeld$firm)
n = 10
iterations = 100
mybootresults=list()
for(j in 1:iterations){
v = sample(length(firms),replace=TRUE)
newdata = NULL
for(i in 1:n){
newdata = rbind(newdata,subset(Grunfeld,firm == v[i]))
}
reg1 = lm(value ~ inv + capital,data = newdata)
mybootresults[[j]] = coefficients(reg1)
}
mybootresults = as.data.frame(t(matrix(unlist(mybootresults),ncol=iterations)))
names(mybootresults) = names(reg1$coefficients)
mybootresults
(Intercept) inv capital
1 373.8591 6.981309 -0.9801547
2 370.6743 6.633642 -1.4526338
3 528.8436 6.960226 -1.1597901
4 331.6979 6.239426 -1.0349230
5 507.7339 8.924227 -2.8661479
...
...
解决方法
这样的事情呢
myfit <- function(x,i) {
mydata <- do.call("rbind",lapply(i,function(n) subset(Grunfeld,firm==x[n])))
coefficients(lm(value ~ inv + capital,data = mydata))
}
firms <- unique(Grunfeld$firm)
b0 <- boot(firms,myfit,999)