R语言常用计量分析包

R语言常用计量分析包 CRAN任务视图:计量经济学 线形回归模型(Linear regression models) 线形模型可用stats包中lm()函数通过OLS来拟合,该包中也有各种检验 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 用来比较模型,如:summary() 和anova()。 lmtest包里的coeftest()和waldtest()函数是也支持渐近检验(如:z检验而不是检验,卡方检验而不是F检验)的类似函数。 car包里的linear.hypothesis()可检验更一般的线形假设。 HC和HAC协方差矩阵的这些功能可在sandwich包里实现。 car和lmtest包还提供了大量回归诊断和诊断检验的方法。 工具变量回归(两阶段最小二乘)由AER包中的ivreg()提供,其另外一个实现sem包中的tsls()。 微观计量经济学(Microeconometrics) 许多微观计量经济学模型属于广义线形模型,可由stats包的glm()函数拟合。包括用于选择类数据(choice data)的Logit和probit模型,用于计数类数据(count data)的poisson模型。这些模型回归元的值可用effects获得并可视化。 负二项广义线形模型可由MASS包的glm.nb()实现。aod包提供了负二项模型的另一个实现,并包含过度分散数据的其它模型。 边缘(zero-inflated)和hurdle计数模型可由pscl包提供。 多项响应(Multinomial response):特定个体协变量(individual-specific covariates)多项模型只能由nnet包中multinom()函数提供。mlogit包实现包括特定个体和特定选择(choice-specific)变量。多项响应的广义可加模型可由VGAM包拟合。针对多项probit模型的贝叶斯方法由MNP包提供,各种贝叶斯多项模型(包括logit和probit)在bayesm包中可得。 顺序响应(Ordered response):顺序响应的比例优势回归由MASS包中polr()函数实现。包ordinal为顺序数据(ordered data)提供包括比例优势模型(propotional odds models)以及更一般规范的累积链接模型(cumulative link models)。贝叶斯顺序probit模型由包bayesm提供。 删失响应(Censored response):基本删失回归模型(比如,tobit模型)可以由survival包中 的suevreg()函数拟合,一个便利的接口tobit()在AER包中。更深入的删失回归模型,包括面板数据的模型,由censReg包提供,样本选择的模型在sampleSelection包中可得。 杂项:有关微观计量经济学得进一步精细工具由micEcon族包提供:Cobb-Douglas分析、translog、二次函数在micEcon里;规模弹性不变(Constant Elasticity of Scale,CES)函数在micEconCES里;对称归一二次利润(Symmetric Normalized Quadratic Profit,SNQP)函数在micEconSNQP里;几乎理想的需求函数模型系统(Almost Ideal Demand System ,AIDS)函数在micEconAids包里;随机前沿分析(Stochastic Frontier Analysis)在frontier包中;bayesm 包执行微观计量济学和营销学(marketing)中的贝叶斯方法;相对分布推断在包reldist里。 其它的回归模型(Further regression models) 非线性最小二乘回归建模可用stats包里的nls()实现。 分位数回归(Quantile Regression):quantreg(包括线性、非线性、删失、局部多项和可加分位数回归)。 面板数据的线性模型:plm。一个空间面板模型的包(splm)正在R-Forge开发。 广义动量方法(Generalized method of moments,GMM)和广义实证似然(generalized empirical likelihood,GEL):gmm。 线性结构方程模型:sem,包括两阶段最小二乘。 联立方程估计:systemfit。 非参核方法:np。 Beta回归:betareg和gamlss 截位(高斯)回归:truncreg。 非线性混合效应模型:nlme和lme4。 广义可加模型:mgcv、gam、gamlss和VGAM。 杂项:包VGAM、Design和Hmisc包提供了若干(广义)线性模型处理的扩展工具,Zelig 是一个针对很多种回归模型的易于使用的统一接口。 基本的时间序列架构(Basic time series infrastructure) stats包的“ts”类是R的规则间隔时间序列的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 类(尤其是年度、季度和月度数据)。 “ts”格式的时间序列可以与zoo包中的“zooreg”强制互换,而不丢失信息。zoo包规则 和不规则间隔时间序列的架构(后者通过类“zoo”),其中时间信息可以是任意类。这包括日间序列(典型地,以“Date”时间索引)或日内序列(例如,以“POSIXct”时间索引)。 建立在“POSIXt”时间-日期类上的its、tseries和timeSeries(前fSeries)包也提供不规则间隔时间序列的架构,特别用于金融分析。 时间序列建模(Time series modelling) stats包里有经典的时间序列建模工具,arima()函数做ARIMA建模和Box-Jenkins-type分析。 stats包还提供StructTS()函数拟合结构时间序列。 可以用nlme包中的gls()函数经由OLS拟合含AR误差项的线性回归模型。 时间序列的滤波和分解可以用stats 包的decompose() 和HoltWinters() 函数。 这些方法的扩展,尤其是预测和模型选择,在forecast 包里。 mFilter 里有各种各样的时序滤波方法。 估计向量自回归(V AR)模型,有若干方法可用:简单模型可用stats 包里ar()拟合,vars 包提供更精巧的模型,dse 中的estV ARXls()和贝叶斯方法在MSBV AR 中。dynlm包有一个经由OLS拟合动态回归模型的方便接口,dyn实现了一个用于其它回归函数的不同方法。 可以用dse拟合更高级的动态方程组。 tsDyn 提供各种非线性自回归时序模型。 高斯线性状态空间模型可用dlm 拟合(通过最大似然、卡尔曼滤波/平滑和贝叶斯方法)。 包urca、tseries和CADFtest提供了单位根和协整技术。 时间序列因子分析在tsfa 包里。 包sde提供随机微分方程的模拟和推断。 非对称价格传导建模在apt包中。 杂项 矩阵操作(Matrix manipulations)。作为一个向量和矩阵语言,R有许多基本函数处理矩阵,与Matrix和SparseM包互补。 放回再抽样(Bootstrap)。除了推荐的boot包,bootstrap或simpleboot包里有一些其它的常 规bootstrapping技术;还有些函数专门为时间序列数据而 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 ,如:meboot包里的最大熵bootstrap,tseries包里的tsbootstrap()函数。 不平等(Inequality)。为了测量不平等(inequality),集中(concentration)和贫穷(poverty), ineq包提供了一些基本的工具,如:劳伦茨曲线(Lorenz curves),Pen's parade,基尼系数(Gini coefficient)。 结构变化(Structural change)。R有很强的处理参数模型的结构变化和变化点的能力,可参考strucchange和segmented包。 数据集(Data sets) Packages AER和Ecdat包含许多来自计量经济学教科书和杂志(应用计量经济学,商业/经济统计)的数据集。 AER另外提供大量例子再现来自教材和文献的分析,演示各种计量经济学方法。 FinTS 是Tsay的《Analysis of Financial Time Series》(2nd ed., 2005, Wiley)一书的R参考,包含运行其中一些例子所需的数据集、函数和脚本。 DNmoney包提供加拿大货币流通额。 pwt包提供佩恩世界 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf (Penn World Table)。 包expsmooth、fma和Mcomp分别是《Forecasting with Exponential Smoothing: The State Space Approach》(Hyndman, Koehler, Ord, Snyder, 2008, Springer)、《Forecasting: Methods and Applications》(Makridakis, Wheelwright, Hyndman, 3rd ed., 1998, Wiley)和《the M-competitions》的时间序列数据包 包erer包含《Empirical Research in Economics: Growing up with R》(Sun, forthcoming)一书中的函数和数据集。