lm和lm_robust
时间: 2024-05-16 08:19:19 浏览: 10
lm和lm_robust都是统计学中常用的线性回归模型。lm代表普通的线性回归模型,它基于最小二乘法来拟合数据,寻找最优的回归系数。lm_robust是一种鲁棒线性回归模型,它在估计回归系数时考虑了数据中的异常值和离群点,可以提高模型的稳健性。与普通的lm模型相比,lm_robust能更好地适应数据中存在离群值的情况,从而得到更可靠的回归结果。
相关问题
reg2 = lm_robust(ln_wage ~ education + experience,data = lwe,se_type = "stata") reg3 = lm_robust(ln_wage ~ education + experience + I(experience^2),data = lwe,se_type = "stata")如何使用假设检验来选择更适合的模型
您可以使用F检验来比较reg2和reg3模型之间的拟合程度。如果F检验的p值低于显著性水平(例如0.05),则意味着添加I(experience^2)这一项在统计上是显著的,即更复杂的reg3模型更适合数据。否则,如果p值较高,说明不需要添加I(experience^2)这项,较简单的reg2模型更适合数据。
动态面板回归LM检验
动态面板回归中的LM检验是用来检验模型中是否存在空间滞后效应的。根据引用和引用的内容,我们可以看到两次LM检验的结果。根据引用的结果,我们可以得出结论,在没有空间滞后效应的情况下,robust LM test的概率为1.5139,p值为0.219。而根据引用的结果,我们可以得出结论,在没有空间滞后效应的情况下,robust LM test的概率为4.7332,p值为0.030。这意味着引用的模型中存在空间滞后效应。因此,在进行动态面板回归时,我们应该考虑空间滞后效应,并且在模型中加入相应的空间滞后项。