Como estimar a função de auto-regressão vetorial e resposta a impulsos com dados do painel

Estou trabalhando na estimativa da auto-regressão vetorial (VARs) e da função de resposta ao impulso (IRFs) com base nos dados do painel com 33 indivíduos em 77 trimestres. Como esse tipo de situação deve ser analisado? Quais algoritmos existem para esse fim? Eu preferiria realizar essas análises em R, portanto, se alguém estiver familiarizado com o código R ou com um pacote projetado para esse fim que eles poderiam sugerir, isso seria especialmente útil.

https://www.researchgate.net/publication/312165764_Panel_Vector_Autoregression_in_R_The_panelvar_Package

Aqui você encontrará o pacote R e o link para o artigo.

Os modelos comuns de autoregressão do vetor de dados em painel incluem o estimador Arellano-Bond (comumente referido como GMM "de diferença"), o estimador Blundell-Bond (comumente referido como GMM "sistema") e o estimador Arellano-Bover . Todos usam GMM e começam com um modelo:

Arellano e Bond a primeira diferença de para remover o efeito fixo, e, em seguida, usam níveis defasados ​​como instrumentos: α i E [ ô £ i t y i , t - 2 ] = $y_{i,t}$$\alpha_i$

É basicamente o mesmo que o procedimento detalhado neste artigo de Holtz-Eakin Newey Rosen , que também fornece algumas instruções para implementação.

Blundell e Bond usam as primeiras diferenças atrasadas como instrumentos para níveis:

O nome "sistema" GMM geralmente significa uma mistura destes instrumentos com os de Arellano Bond.

Arellano e Bover usam o sistema GMM e também exploram a degradação progressiva de variáveis, que, até onde eu sei, não são implementadas diretamente R, mas você pode conferir o documento para obter detalhes.

Em R, ambos Arellano-Bond e Blundell-Bond são implementados no plmpacote , sob o comando pgmm. A documentação à qual vinculei fornece instruções e exemplos para exatamente como implementá-los.

Você pode usar um sistema de equações de regressão aparentemente não relacionadas (usando o pacote systemfit) depois de converter o conjunto de dados com pdata.frame (pacote plm). Você precisa derivar as funções de resposta ao impulso por si mesmo. Se você segue o livro de Hamilton ou Greene, não deve ser muito complicado.

Acabei de encontrar este artigo "Regressão automática de vetores de painel em R: o pacote Panelvar" (2017) de Michael Sigmund, Robert Ferstl e Daniel Unterkofler, que basicamente é uma descrição dos métodos implementados em R. https://papers.ssrn.com /sol3/papers.cfm?abstract_id=2896087

Além disso, há outra pergunta aqui: modelos de autoregressão de vetor de painel em R?

Os autores estão agora no processo de publicação do código no CRAN, mas já fornecem pacotes binários no researchgate. https://www.researchgate.net/project/Panel-Vector-Autoregression-Models-with-different-GMM-estimators

O pacote panelvar binário pode ser baixado diretamente, acho que as fontes devem estar disponíveis no CRAN em um futuro próximo. https://www.researchgate.net/publication/322526372_panelvar_044

Eu sugeriria o uso da {vars}biblioteca em R. Ele tem uma função para estimar um modelo VAR e para estimar uma função de resposta a impulso desse modelo e para investigar a causalidade de Granger etc.

Eu sugiro que você analise as seguintes funções:

> VARselect()
> VAR()
> irf()
> causality()

Olá @Roman e todos os outros. Também estou nos modelos de painel VAR e, na minha pesquisa, deparei-me com estes comandos escritos pelo usuário baseados em stata pvar e xtvar. Eu já usei o pvar e parece bem. Você pode ler mais sobre isso aqui e um aplicativo passo a passo