<code>predict()</code>

Question

估计。

lag()

所有三个模型都是相同的：

library(plm)

data <- data.frame(country = rep(c("A", "B", "C"), each = 3),
                  year = rep(c(1, 2, 3), 3),
                  population = c(100, 150, 200, 1000, 1200, 1250, 10, 20, 45)) |>
        pdata.frame(index = c('country', 'year'))

data$lag_population <- plm::lag(data$population, k = 1)

lm_model <- lm(population ~ lag_population, data)
plm_model <- plm(population ~ plm::lag(population, k = 1), data, model = 'pooling')
plm_model2 <- plm(population ~ lag_population, data, model = 'pooling')

shyet，他们对相同数据的预测是不同的：

> print(lm_model)

Call:
lm(formula = population ~ lag_population, data = data)

Coefficients:
   (Intercept)  lag_population  
        31.633           1.079  

+ print(plm_model)

Model Formula: population ~ plm::lag(population, k = 1)

Coefficients:
                (Intercept) plm::lag(population, k = 1) 
                    31.6332                      1.0787 

+ print(plm_model2)

Model Formula: population ~ lag_population

Coefficients:
   (Intercept) lag_population 
       31.6332         1.0787 

基于预期的预测，每个横截面的第一阶段（b/c第一期都没有滞后观测值）

lm()

使用生成的变量而不是

NA

函数的预测与

plm()

函数相似，但是，drops删除了
• lag_population

  预测使用使用

  lag()
函数是最有问题的：值是向后移动1个周期，加上某些值是在上一个周期生成的（模型是汇总的，没有固定效果，那么如何在第一个周期生成预测，尤其是使用
• lm()

  ？）
  

  NA

  有人遇到类似问题吗？
  如何使PLM预测看起来与基于

  plm()

  ？

  的预测相同
这已经在开发版本中修复了，请参见
• Github.com/ycroissant/plmhttps：//github.com/ycroissant/plm/

  将开发版本构建，例如：

lag()

以您的例子，它产生：

fill.na = FALSE

用

predict_plm <- predict(plm_model, newdata = data, na.fill = FALSE)
predict_plm2 <- predict(plm_model2, newdata = data, na.fill = FALSE)
predict_lm <- predict(lm_model, newdata = data)

> print(predict_lm) 
       A-1        A-2        A-3        B-1        B-2        B-3        C-1        C-2        C-3 
        NA  139.50424  193.43973         NA 1110.34313 1326.08511         NA   42.42035   53.20745 
+ print(predict_plm2)
       A-2        A-3        B-2        B-3        C-2        C-3 
 139.50424  193.43973 1110.34313 1326.08511   42.42035   53.20745 
+ print(predict_plm)
       A-1        A-2        A-3        B-1        B-2        B-3        C-1        C-2        C-3 
 139.50424  193.43973  247.37522 1110.34313 1326.08511 1380.02060   42.42035   53.20745   80.17519 

Answer 1

lm()

填充（通过）。因此，PLM的cormponds to LM通过以下论点进行了预测：

plm