全文下载链接： http://tecdat.cn/?p=3765
最近咱们被客户要求撰写对于PSTR的钻研报告，包含一些图形和统计输入。
在本文中，建模过程包含三个阶段：表述，预计和评估，本文帮忙用户进行模型表述、预计，进行PSTR模型评估 （ 点击文末“浏览原文”获取残缺代码数据******** ） 。
在程序包中实现了集群依赖性和异方差性一致性测验。
还实现了wild bootstrap和cluster wild bootstrap测验。
并行计算（作为选项）在某些函数中实现，尤其是bootstrap测验。因而，该程序包适宜在超级计算服务器上运行多个外围的工作。
数据
“Hansen99”数据集来提供示例。
初始化
能够通过执行创立PSTR类的新对象
#> Summary of the model:#> ---------------------------------------------------------------------------#> time horizon sample size = 14, number of individuals = 560#> ---------------------------------------------------------------------------#> Dependent variable: inva#> ---------------------------------------------------------------------------#> Explanatory variables in the linear part:#> dt_75 dt_76 dt_77 dt_78 dt_79 dt_80 dt_81 dt_82 dt_83 dt_84 dt_85 dt_86 dt_87 vala debta cfa sales#> ---------------------------------------------------------------------------#> Explanatory variables in the non-linear part:#> vala debta cfa sales#> ---------------------------------------------------------------------------#> Potential transition variable(s) to be tested:#> vala#> ############################################################################> ***************************************************************************#> Results of the linearity (homogeneity) tests:#> ***************************************************************************#> Sequence of homogeneity tests for selecting number of switches 'm':#> ***************************************************************************#> ###########################################################################因变量是“inva”，第4列到第20列的数据中的变量是线性局部的解释变量，非线性局部中的解释变量是“indep\_k”中的四个，潜在的转换变量是“vala”（Tobin的Q）。
以下代码执行线性测验
#> ############################################################################> ***************************************************************************#> Results of the linearity (homogeneity) tests:#> ---------------------------------------------------------------------------#> LM tests based on transition variable 'vala'#> m LM_X PV LM_F PV HAC_X PV HAC_F PV#> 1 125.3 0 28.99 0 30.03 4.819e-06 6.952 1.396e-05#> ***************************************************************************#> Sequence of homogeneity tests for selecting number of switches 'm':#> ---------------------------------------------------------------------------#> LM tests based on transition variable 'vala'#> m LM_X PV LM_F PV HAC_X PV HAC_F PV#> 1 125.3 0 28.99 0 30.03 4.819e-06 6.952 1.396e-05#> ***************************************************************************#> ###########################################################################能够看到函数“LinTest”获取PSTR对象“pstr”并返回后果。因为解决包中PSTR对象的函数通过增加新的atrributes来更新对象。当然能够创立新的PSTR对象来获取返回值，以便保留模型的不同设置的后果。
能够通过运行以下代码来执行wild bootstrap和wild cluster bootstrap。
预计
当确定要用于预计的转换变量时，在本例中为“inva”，能够预计PSTR模型
print(pstr,"estimates")默认状况下，应用“optim”办法“L-BFGS-B”，但能够通过更改优化办法进行估算
print(pstr,"estimates")#> ########################################################################### #> ############################################################################> ***************************************************************************#> Results of the PSTR estimation:#> ---------------------------------------------------------------------------#> Transition variable 'vala' is used in the estimation.#> ---------------------------------------------------------------------------#> Parameter estimates in the linear part (first extreme regime) are#> dt_75_0 dt_76_0 dt_77_0 dt_78_0 dt_79_0 dt_80_0 dt_81_0#> Est -0.002827 -0.007512 -0.005812 0.0003951 0.002464 0.006085 0.0004164#> s.e. 0.002431 0.002577 0.002649 0.0027950 0.002708 0.002910 0.0029220#> dt_82_0 dt_83_0 dt_84_0 dt_85_0 dt_86_0 dt_87_0 vala_0#> Est -0.007802 -0.014410 -0.0009146 0.003467 -0.001591 -0.008606 0.11500#> s.e. 0.002609 0.002701 0.0030910 0.003232 0.003202 0.003133 0.04073#> debta_0 cfa_0 sales_0#> Est -0.03392 0.10980 0.002978#> s.e. 0.03319 0.04458 0.008221#> ---------------------------------------------------------------------------#> Parameter estimates in the non-linear part are#> vala_1 debta_1 cfa_1 sales_1#> Est -0.10370 0.02892 -0.08801 0.005945#> s.e. 0.03981 0.04891 0.05672 0.012140#> ---------------------------------------------------------------------------#> Parameter estimates in the second extreme regime are#> vala_{0+1} debta_{0+1} cfa_{0+1} sales_{0+1}#> Est 0.011300 -0.00500 0.02183 0.008923#> s.e. 0.001976 0.01739 0.01885 0.004957#> ---------------------------------------------------------------------------#> Non-linear parameter estimates are#> gamma c_1#> Est 0.6299 -0.0002008#> s.e. 0.1032 0.7252000#> ---------------------------------------------------------------------------#> Estimated standard deviation of the residuals is 0.04301#> ***************************************************************************#> ###########################################################################还实现了线性面板回归模型的预计。
print(pstr0,"estimates")#> ############################################################################> ## PSTR 1.2.4 (Orange Panel)#> ############################################################################> ***************************************************************************#> A linear panel regression with fixed effects is estimated.#> ---------------------------------------------------------------------------#> Parameter estimates are#> dt_75 dt_76 dt_77 dt_78 dt_79 dt_80 dt_81#> Est -0.007759 -0.008248 -0.004296 0.002356 0.004370 0.008246 0.004164#> s.e. 0.002306 0.002544 0.002718 0.002820 0.002753 0.002959 0.002992#> dt_82 dt_83 dt_84 dt_85 dt_86 dt_87 vala#> Est -0.005294 -0.010040 0.006864 0.009740 0.007027 0.0004091 0.008334#> s.e. 0.002664 0.002678 0.003092 0.003207 0.003069 0.0030080 0.001259#> debta cfa sales#> Est -0.016380 0.06506 0.007957#> s.e. 0.005725 0.01079 0.002412#> ---------------------------------------------------------------------------#> Estimated standard deviation of the residuals is 0.04375#> ***************************************************************************#> ###########################################################################评估
能够基于预计的模型进行评估测试请留神，在“EvalTest”中，每次只有一个转换变量用于非线性测试。这与“LinTest”函数不同，后者能够采纳多个转换变量。这就是为什么我将后果保留到新的PSTR对象“pstr1”而不是笼罩的起因。通过这样做，我能够在新对象中保留来自不同转换变量的更多测试后果。
iB = 5000cpus = 50## wild bootstrap time-varyint评估测验pstr = WCB_TVTest(use=pstr,iB=iB,parallel=T,cpus=cpus)## wild bootstrap异质性评估测验pstr1 = WCB_HETest(use=pstr1,vq=pstr$mQ[,1],iB=iB,parallel=T,cpus=cpus)请留神，评估函数不承受线性面板回归模型中返回的对象“pstr0”，因为评估测试是针对预计的PSTR模型设计的，而不是线性模型。
可视化
估算PSTR模型后，能够绘制预计的转换函数
还能够依据转换变量绘制系数曲线，标准误差和p值。
点击题目查阅往期内容
R语言时变面板平滑转换回归模型TV-PSTR剖析债权程度对投资的影响
左右滑动查看更多
01
02
03
04
绘图plot_response，形容了PSTR模型的因变量和一些解释性变量。
咱们能够看到，如果没有非线性，对变量的响应是一条直线。如果变量和转换变量是不同的，咱们能够绘制曲面，z轴为响应，x轴和y轴为两个变量。如果变量和转换变量雷同，则变为曲线。
咱们通过运行来制作图表
x轴上的数字看起来不太好，因为很难找到转折点的地位。
该ggplot2软件包容许咱们手动绘制数字。
当初咱们十分分明地看到，大概0.5的转折点将曲线切割成两种状态，并且两种状态的行为齐全不同。该图表是对于托宾Q对预期投资的滞后影响。低Q值公司（其后劲被金融市场评估为低）可能不太违心扭转他们将来的投资打算，或者可能会扭转。
本文摘选 《 R语言面板平滑转换回归(PSTR)剖析案例实现 》 ，点击“浏览原文”获取全文残缺材料。
点击题目查阅往期内容
R语言时变面板平滑转换回归模型TV-PSTR剖析债权程度对投资的影响\
面板平滑转换回归(PSTR)剖析案例实现\
R语言自适应平滑样条回归剖析\
R语言工夫序列数据指数平滑法分析交互式动静可视化\
R语言中的狭义线性模型（GLM）和狭义相加模型（GAM）：多元（平滑）回归剖析保险资金投资组合信用风险敞口\
R语言预测人口死亡率：用李·卡特（Lee-Carter）模型、非线性模型进行平滑预计\
基于R统计软件的三次样条和平滑样条模型数据拟合及预测\
R语言实现CNN（卷积神经网络）模型进行回归数据分析\
R语言中的多项式回归、B样条曲线(B-spline Curves)回归\
R语言泊松Poisson回归模型剖析案例\
在R语言中实现Logistic逻辑回归\
R语言用多项式回归和ARIMA模型预测电力负荷工夫序列数据\
R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测\
R语言机器学习实战之多项式回归\
R语言自适应平滑样条回归剖析\
R语言区间数据回归剖析\
R语言逻辑回归和泊松回归模型对产生交通事故概率建模R语言线性回归和工夫序列剖析北京房价影响因素可视化案例\
R语言惩办logistic逻辑回归（LASSO,岭回归）高维变量抉择的分类模型案例\
R语言用规范最小二乘OLS，狭义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分类\
R语言实现CNN（卷积神经网络）模型进行回归数据分析\
R语言中实现狭义相加模型GAM和一般最小二乘(OLS)回归\
R语言中应用非凸惩办函数回归(SCAD、MCP)剖析前列腺数据\
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析\
R语言ISLR工资数据进行多项式回归和样条回归剖析\
R语言中的多项式回归、部分回归、核平滑和平滑样条回归模型\
R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型\
R语言如何和何时应用glmnet岭回归\
R语言基于线性回归的资本资产定价模型（CAPM）\
Matlab马尔可夫区制转换动静回归模型预计GDP增长率\
R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯预计