library(wooldridge)
library(rmarkdown)
library(stargazer)##
## Please cite as:## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.## R package version 5.2.3. https://CRAN.R-project.org/package=stargazerlibrary(AER)## Loading required package: car## Loading required package: carData## Loading required package: lmtest## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Loading required package: sandwich## Loading required package: survivaldata(card)
paged_table(card)Normal OLS
data(card)
paged_table(card)model1<- lm(formula = educ~nearc4+exper+I(exper^2)+black+smsa+south, data = card)
summary(model1)##
## Call:
## lm(formula = educ ~ nearc4 + exper + I(exper^2) + black + smsa +
## south, data = card)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.6419 -1.3928 -0.0953 1.2638 6.2692
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.6591746 0.1763889 94.446 < 2e-16 ***
## nearc4 0.3373208 0.0825004 4.089 4.45e-05 ***
## exper -0.4100081 0.0336939 -12.169 < 2e-16 ***
## I(exper^2) 0.0007323 0.0016499 0.444 0.657201
## black -1.0061383 0.0896454 -11.224 < 2e-16 ***
## smsa 0.4038769 0.0848872 4.758 2.05e-06 ***
## south -0.2914640 0.0792247 -3.679 0.000238 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.943 on 3003 degrees of freedom
## Multiple R-squared: 0.4745, Adjusted R-squared: 0.4734
## F-statistic: 451.9 on 6 and 3003 DF, p-value: < 2.2e-16exper değişkeni anlamsız bulunmaktadır
Araç Değişkenler
model2<- lm(formula = log(wage)~educ+exper+I(exper^2)+black+smsa+south, data = card)
stargazer(model2, type = "text")##
## ===============================================
## Dependent variable:
## ---------------------------
## log(wage)
## -----------------------------------------------
## educ 0.074***
## (0.004)
##
## exper 0.084***
## (0.007)
##
## I(exper2) -0.002***
## (0.0003)
##
## black -0.190***
## (0.018)
##
## smsa 0.161***
## (0.016)
##
## south -0.125***
## (0.015)
##
## Constant 4.734***
## (0.068)
##
## -----------------------------------------------
## Observations 3,010
## R2 0.291
## Adjusted R2 0.289
## Residual Std. Error 0.374 (df = 3003)
## F Statistic 204.932*** (df = 6; 3003)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01model3<- ivreg(log(wage)~educ+exper+I(exper^2)+black+smsa+south|exper+I(exper^2)+black+smsa+south+nearc4, data = card)
stargazer(model3, type = "text")##
## ===============================================
## Dependent variable:
## ---------------------------
## log(wage)
## -----------------------------------------------
## educ 0.132***
## (0.049)
##
## exper 0.107***
## (0.021)
##
## I(exper2) -0.002***
## (0.0003)
##
## black -0.131**
## (0.053)
##
## smsa 0.131***
## (0.030)
##
## south -0.105***
## (0.023)
##
## Constant 3.753***
## (0.829)
##
## -----------------------------------------------
## Observations 3,010
## R2 0.225
## Adjusted R2 0.224
## Residual Std. Error 0.391 (df = 3003)
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01stargazer(model2,model3, type = "text")##
## ======================================================================
## Dependent variable:
## --------------------------------------
## log(wage)
## OLS instrumental
## variable
## (1) (2)
## ----------------------------------------------------------------------
## educ 0.074*** 0.132***
## (0.004) (0.049)
##
## exper 0.084*** 0.107***
## (0.007) (0.021)
##
## I(exper2) -0.002*** -0.002***
## (0.0003) (0.0003)
##
## black -0.190*** -0.131**
## (0.018) (0.053)
##
## smsa 0.161*** 0.131***
## (0.016) (0.030)
##
## south -0.125*** -0.105***
## (0.015) (0.023)
##
## Constant 4.734*** 3.753***
## (0.068) (0.829)
##
## ----------------------------------------------------------------------
## Observations 3,010 3,010
## R2 0.291 0.225
## Adjusted R2 0.289 0.224
## Residual Std. Error (df = 3003) 0.374 0.391
## F Statistic 204.932*** (df = 6; 3003)
## ======================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01Eş anlı denklem modellerini kullanırken unutulmaması gereken nokta, sistemdeki her bir denklemin diğer her şey sabitken nedensel bir yoruma sahip olmaları gereğidir çünkü yalnızca dengedeki çıktıyı gözlemleyebildiğimizden eş anlı denklem modelinin denklemlerini oluştururken değişen duruma göre nedenleme kullanmamız gereklidir.Gerçek çıktılar kadar potansyel çıktılar cinsinden de düşünmemiz gerekir.
Eş anlı denklem modelinin klasik örneği bazı mal ve hizmetler veya üretim girdisi için arz ve talep denklemidir. \[ {h}_s = {a}_1 w + {\beta}_1 + {z}_1 + {u}_1 \]
Denklem yapısal denkleme örnektir ve h ilçe düzeyinde ölçülmüş tarımdaki işçilerin arz ettikleri yıllık çalışma saatlerini ve w bu işçilere önerilen ortalama saatlik ücreti gösteriyor. Burada z iş gücü arzını etkiliyen değişendir. Hata terimi u1, is gücü arzını etkileyen diğer faktörleri içerir. a1 katsayısı ücret değiştiğinde iş gücü arzının nasıl değişeceğini ölçer; \[ {h}_s \] ve w logaritmik biçimde ise a1 işgücü arz esnekliğidir.
İş gücü arzının grafiğini çizdiğimiz zaman z1 ve u1 sabit tutulduğunda saatleri ücretin bir fonksiyonu olarak gösteririz. z1’deki bir değişim işgücü arz fonksiyonunu u1’deki bir değişmede olduğu gibi kaydırır. Fark u1’in değil z1’in gözlemlenmesidir.
İşgücü piyasalarının dengeye varacağı varsayımı altında gerçekte ücretlerin denge değerlerini ve çalışma saatlerini gözleriz.
Denge ücret ve çalışma saatlerinin nasıl belirlendiğini açıklamak için işgücü talebini ortaya koyan yeni bir denklem oluşturalım.
\[ {h}_d = {a}_2 w + {\beta}_2 + {u}_2 \]
Burada \[ {h}_d \] talep edilen çalışma saatleridir. Arz fonksiyonuyla beraber talep edilen çalışma saatlerini z2 ve u2’yi sabit tutarak ücretin bir fonksiyonu olarak çizeriz. u2 gözlenemeyen bir talep kaydırıcı iken z2 değişkeni gözlemlenebilir talep kaydırıcıdır. İşgücü arz denklemindeki gibi işgücü talep denklemi de yapısal bir denklemdir,çiftçilerin kar maksimizasyon davranışından elde edilebilir. \[ {h}_d ve w \] logaritmik biçimdelerse a2 işgücü arz esnekliğidir. İktisat teorisi a2<0 olduğunu söyler.İşgücü tarımsal alan üretimde tamamlayıcı olduğundan \[ {\beta}_2 > 0 \] olmasını bekleriz.
Her i ilçesi için gözlemlenen çalışma saatleri \[ {h}_i \] ve gözlemlenen ücret \[ {w}_i \] denge koşuluyla belirlenmektedir.
\[ {h}_is = h_id \]
Her bir i ilçesi için yalnızca denge çalışma saatlerini gözlemlediğimizden gözlemlenen çalışma saatlerini \[ {h}_i \] ile ifade edelim.Bu denge koşulunu işgüü arz ve talebi ile bir araya getirdiğimizde;
\[ {h}_i = {a}_1 {w}_1 + {\beta}_1 {z}_i1 + {u}_i1 \]
\[ {h}_i = {a}_2 {w}_i + {\beta}_2 {z}_i2 + {u}_i2 \]
Burada \[ {h}_i \] ve \[ {w}_i \]’nin her i ilçesine ait denge gözlem değerleri olduğunu vurgulamak için i indisini açık bir şekilde ilave ettik. Bu iki gözlem birkaç önemli özelliğe sahip bir eşanlı denklemler modeli oluşturur.İlk \[ {z}_i1 + {z}_i2 \] , \[ {u}_i1 + {u}_i2 \] verildiğinde bu iki denklem \[ {h}_i \] ve \[ {w}_i \]’yi belirler.Bu nedenle \[ {h}_i \] ve \[ {w}_i \] bu EDM de içsel değişkenlerdir. \[ {z}_i1 + {z}_i2 \] de dışsal değişkenlerdir.
Basit bir modelde bağımlı değişkenle eş anlı olarak belirlenen açıklayıcı bir değişkenin genellikle SEKK’de sapma ve tutarsızlığa neden olan hata terimi ile ilişkili olduğunu bilmek faydalıdırç İki değişkenli yapısal modeli inceleyelim ve ilk denklemin dikkat edelim.
\[ {y}_1 = {a}_1 {y}_2 + {\beta}_1 {z}_1 + {u}_1 \]
\[ {y}_2 = {a}_2 {y}_1 + {\beta}_2 {z}_2 + {u}_2 \]
z1 ve z2 değişkenleri dışsaldır böylece her biri u1 ve u2 ile ilişkisizdir.Basitlik için, her denklemdeki kesim parametresini kaldıralım.
y2’nin genellikle u1 ile ilişkili olduğunu göstermek için iki denklemi dışsal değişkenler ve hata terimi cinsinden y2 için çözelim.
\[ {y}_2 = {a}_2( {a}_1 {y}_2 + {\beta}_1 {z}_1 + {u}_1) + {\beta}_2 {z}_2 + {u}_2 \]