R语言常用计量分析包.doc

1、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

2、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

3、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（ Multinomialresponse）：特定个体协变量（individual-specificcovariates）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 r

4、esponse）：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（cumulativelinkmodels）。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 cens

5、Reg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（AlmostIdealDemandSystem，AIDS ）函数在micEconAid

6、s 包里；随机前沿分析（StochasticFrontierAnalysis ）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（ Gener

7、alized 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

8、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 fS

9、eries）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

10、序滤波方法。估计向量自回归（VAR ）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 estVARXls() 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。

11、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，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

12、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（Lorenzparade，基尼系数 (Gini coefficient) 。curves），Pens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，

13、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(Penn World Table)。包 expsmooth、 fma 和 Mcomp 分别是 Forecasting with Exponential Smoothing: The StateSpace Approach（Hyndman, Koehler, Ord, Snyder, 2008, Springer）、Forecast