r - 如何在 lm_robust() 后获得带有聚类标准误差的边际效应？

Question

我正在逐年运行带有聚集标准误差的回归。这用 Stata 很容易做到，但我必须用 R 来完成，所以我使用 lm_robust() 运行它。来自 estimatr 的函数包裹。问题是我现在必须得到一些变量的边际效应，但我不能这样做，我猜这是因为集群标准错误。我遵循了 lm_robust() 手册上的内容我已经看到他们只将 margins 包中的 margins 命令用于其他函数而没有聚集的标准错误......有没有人知道我如何获得和绘制边际效应？

set.seed(42)
library(fabricatr)
library(randomizr)
dat <- fabricate(
  N = 100,                        # sample size
  x = runif(N, 0, 1),             # pre-treatment covariate
  y0 = rnorm(N, mean = x),        # control potential outcome
  y1 = y0 + 0.35,                 # treatment potential outcome
  z = complete_ra(N),             # complete random assignment to treatment
  y = ifelse(z, y1, y0),          # observed outcome

  # We will also consider clustered data
  clust = sample(rep(letters[1:20], each = 5)),
  z_clust = cluster_ra(clust),
  y_clust = ifelse(z_clust, y1, y0)
)

然后当我使用 lm_robust() 运行回归时功能:

library(estimatr)
lmout_cl <- lm_robust(
  y_clust ~ z_clust + x,
  data = dat,
  clusters = clust
)

最后，我试图获得利润......

library(margins)
mar_cl <- margins(lmout_cl)

但这会导致错误:

Error in attributes(.Data) <- c(attributes(.Data), attrib) :'names' attribute 
[1] must be the same length as the vector [0]

Answer 1

为这个阻止 margins() 的错误道歉来自与 lm_robust() 的合作estimatr 中具有非数字簇的对象0.10 及更早版本。这是由内部方式创建的estimatr::lm_robust()和 margins::margins()处理模型中的变量。

该错误已被解决，因此您在 estimatr 中有两个解决方案。 .

让我先生成数据。

library(fabricatr)
library(randomizr)
dat <- fabricate(
  N = 100,
  x = runif(N),
  clust = sample(rep(letters[1:20], each = 5)),
  y_clust = rnorm(N),
  z_clust = cluster_ra(clust),
)

获取最新版本estimatr (v0.11.0)

https://declaredesign.org/r/estimatr 上的开发版本已修复此错误，它将在下个月左右在 CRAN 上发布。

install.packages("estimatr", dependencies = TRUE,
                 repos = c("http://r.declaredesign.org", "https://cloud.r-project.org"))
library(estimatr)
lmout_cl <- lm_robust(
  y_clust ~ z_clust + x,
  data = dat,
  clusters = clust
)
library(margins)
mar_cl <- margins(lmout_cl)

使用 CRAN 版本的数字集群 estimatr (v0.10.0)

现有版本 estimatr 的解决方法在 CRAN 上是使用数字簇而不是字符簇

dat <- fabricate(
  N = 100,
  x = runif(N),
  clust = sample(rep(1:20, each = 5)),
  y_clust = rnorm(N),
  z_clust = cluster_ra(clust),
)
install.packages("estimatr")
library(estimatr)
lmout_cl <- lm_robust(
  y_clust ~ z_clust + x,
  data = dat,
  clusters = clust
)
mar_cl <- margins(lmout_cl)