Comment estimer la fonction d'autorégression vectorielle et de réponse impulsionnelle avec les données du panel

Je travaille sur l'auto-régression vectorielle (VAR) et l'estimation de la fonction de réponse impulsionnelle (IRF) basée sur des données de panel avec 33 individus sur 77 trimestres. Comment analyser ce type de situation? Quels algorithmes existent à cet effet? Je préférerais effectuer ces analyses en R, donc si quelqu'un connaît le code R ou un package conçu à cet effet qu'il pourrait suggérer, ce serait particulièrement utile.

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

Vous trouverez ici le R-package et le lien vers l'article.

Les modèles d'autorégression de vecteurs de données de panel courants comprennent l' estimateur Arellano-Bond (communément appelé GMM "différence"), l' estimateur Blundell-Bond (communément appelé GMM "système") et l' estimateur Arellano-Bover . Tous utilisent GMM et commencent par un modèle:

Arellano et Bond prennent la première différence de pour supprimer l'effet fixe, , puis utilisent des niveaux décalés comme instruments: α i E [ Δ ϵ i t y i , t - 2 ] = $y_{i,t}$$\alpha_i$

C'est fondamentalement la même que la procédure détaillée dans cet article Holtz-Eakin Newey Rosen , qui fournit également quelques instructions pour la mise en œuvre.

Blundell et Bond utilisent les premières différences en retard comme instruments pour les niveaux:

Arellano et Bover utilisent le système GMM et explorent également la dégradation des variables, qui à ma connaissance n'est pas directement implémentée R, mais vous pouvez consulter leur article pour plus de détails.

Dans R, Arellano-Bond et Blundell-Bond sont implémentés dans le plmpackage , sous la commande pgmm. La documentation à laquelle j'ai lié fournit des instructions et des exemples pour savoir exactement comment les implémenter.

Vous pouvez utiliser un système d'équations de régression apparemment sans rapport (à l'aide du package systemfit) après avoir converti l'ensemble de données avec pdata.frame (package plm). Vous devez dériver vous-même les fonctions de réponse impulsionnelle. Si vous suivez les manuels de Hamilton ou de Greene, cela ne devrait pas être trop compliqué.

Je viens de trouver cet article "Panel Vector Autoregression in R: The Panelvar Package" (2017) par Michael Sigmund, Robert Ferstl et Daniel Unterkofler, qui est essentiellement une description des méthodes mises en œuvre dans R. https://papers.ssrn.com /sol3/papers.cfm?abstract_id=2896087

De plus, il y a une autre question ici: modèles d'autorégression vectorielle de panneau dans R?

Les auteurs sont actuellement en train de publier le code sur CRAN, mais fournissent déjà des packages binaires sur researchgate. https://www.researchgate.net/project/Panel-Vector-Autoregression-Models-with-different-GMM-estimators

Le package panelvar binaire peut être téléchargé directement, je pense que les sources devraient être disponibles sur CRAN dans un proche avenir. https://www.researchgate.net/publication/322526372_panelvar_044

Je suggérerais d'utiliser la {vars}bibliothèque de R. Elle a une fonction pour estimer un modèle VAR et pour estimer une fonction de réponse impulsionnelle à partir de ce modèle et pour enquêter sur la causalité de Granger, etc.

Je vous suggère de regarder dans les fonctions suivantes:

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

Salut @Roman et tout le monde. Je suis également dans les modèles de panneaux VAR et dans ma recherche, je suis tombé sur ces commandes écrites par l'utilisateur basées sur stata pvar et xtvar. J'ai déjà utilisé pvar et cela semble tout à fait correct. Vous pouvez en savoir plus à ce sujet ici, et une application étape par étape