Я пытаюсь эффективно реализовать метод блочной начальной загрузки, чтобы получить распределение коэффициентов регрессии. Основная схема следующая.
У меня есть набор панельных данных, и я говорю, что фирма и год являются индексами. Для каждой итерации бутстрапа я хочу отобрать n предметов с заменой. Из этой выборки мне нужно построить новый фрейм данных, который представляет собой rbind()
стек всех наблюдений для каждого включенного в выборку субъекта, запустить регрессию и извлечь коэффициенты. Повторите несколько итераций, скажем, 100.
Мои мысли изначально состоят в том, чтобы разбить существующий фрейм данных на список по темам с помощью команды split()
. Оттуда используйте
sample(unique(df1$subject),n,replace=TRUE)
чтобы получить новый список, затем, возможно, реализовать quickdf
из пакета plyr
для создания нового фрейма данных.
Пример медленного кода:
require(plm)
data("Grunfeld", package="plm")
firms = unique(Grunfeld$firm)
n = 10
iterations = 100
mybootresults=list()
for(j in 1:iterations){
v = sample(length(firms),n,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
...
...