如何在 R 中按组计算每个观察的学生化残差？

Question

我正在研究精益库存管理对公司财务业绩的影响，为此我需要创建一个新变量。

此变量通过 2 个步骤计算：

1. 通过将销售的自然对数回归到每个 i 行业 (NAICS) 和 t 年的库存自然对数。 公式如下：

2. 每个公司的变量 (f) 是通过对残差 (u) 进行学生化并将其乘以 -1 获得的。

所以从数学上讲，我知道我应该如何使用 go 来做到这一点，但是我的数据集有超过 3000 个观察值，这需要很长时间才能手工完成。

我的数据集如下（来自 dput(head())）。 该数据集仅显示相同的 NAICS (315)，但还有更多，总共 46 个。

mydata <- structure(list(NAICS = c(315, 315, 315, 315, 315, 315), 
              Year = c(2016, 2017, 2018, 2019, 2020, 2016), 
              `Total Inventories` = c(487.591, 548.722, 574.226, 593.987, 599.262, 487.997), 
              `Net Sales` = c(3241.999, 3443.591, 3501.199, 3553.923, 3050.61, 2387.289)), 
              row.names = c(NA, -6L), class = c("tbl_df", "tbl", "data.frame"))

谁能帮助我如何在 R 中轻松做到这一点？ 所有帮助将不胜感激。

Answer 1

试试下面的。

数据

为了说明我的方法，请考虑以下基于您的示例数据

> df
# A tibble: 12 x 4
   NAICS  Year `Total Inventories` `Net Sales`
   <dbl> <dbl>               <dbl>       <dbl>
 1   315  2016                488.       3242.
 2   315  2017                549.       3444.
 3   315  2018                574.       3501.
 4   315  2019                594.       3554.
 5   315  2020                599.       3051.
 6   315  2016                488.       2387.
 7   320  2016                488.       3242.
 8   320  2017                549.       3444.
 9   320  2018                574.       3501.
10   320  2019                594.       3554.
11   320  2020                599.       3051.
12   320  2016                488.       2387.

步骤1

首先，您根据NAICS值在

> df_list <- split(df, df$NAICS)
> df_list
$`315`
# A tibble: 6 x 4
  NAICS  Year `Total Inventories` `Net Sales`
  <dbl> <dbl>               <dbl>       <dbl>
1   315  2016                488.       3242.
2   315  2017                549.       3444.
3   315  2018                574.       3501.
4   315  2019                594.       3554.
5   315  2020                599.       3051.
6   315  2016                488.       2387.

$`320`
# A tibble: 6 x 4
  NAICS  Year `Total Inventories` `Net Sales`
  <dbl> <dbl>               <dbl>       <dbl>
1   320  2016                488.       3242.
2   320  2017                549.       3444.
3   320  2018                574.       3501.
4   320  2019                594.       3554.
5   320  2020                599.       3051.
6   320  2016                488.       2387.

第2步

Then you use lapply() to go over all data.frames in that list, estimating the model and using the function rstud() from the MASS package to calculate the studentized residuals for every firm

Out <- lapply(df_list, function(z) { z$stud_res <- MASS::studres(lm(log(z$`Total Inventories`) ~ log(z$`Net Sales`)))*(-1); z})
> Out
$`315`
# A tibble: 6 x 5
  NAICS  Year `Total Inventories` `Net Sales` stud_res
  <dbl> <dbl>               <dbl>       <dbl>    <dbl>
1   315  2016                488.       3242.    2.25 
2   315  2017                549.       3444.    0.313
3   315  2018                574.       3501.   -0.153
4   315  2019                594.       3554.   -0.519
5   315  2020                599.       3051.   -1.63 
6   315  2016                488.       2387.    0.318

$`320`
# A tibble: 6 x 5
  NAICS  Year `Total Inventories` `Net Sales` stud_res
  <dbl> <dbl>               <dbl>       <dbl>    <dbl>
1   320  2016                488.       3242.    2.25 
2   320  2017                549.       3444.    0.313
3   320  2018                574.       3501.   -0.153
4   320  2019                594.       3554.   -0.519
5   320  2020                599.       3051.   -1.63 
6   320  2016                488.       2387.    0.318

最终 Output

> Out
$`315`
# A tibble: 6 x 5
  NAICS  Year `Total Inventories` `Net Sales` stud_res
  <dbl> <dbl>               <dbl>       <dbl>    <dbl>
1   315  2016                488.       3242.    2.25 
2   315  2017                549.       3444.    0.313
3   315  2018                574.       3501.   -0.153
4   315  2019                594.       3554.   -0.519
5   315  2020                599.       3051.   -1.63 
6   315  2016                488.       2387.    0.318

$`320`
# A tibble: 6 x 5
  NAICS  Year `Total Inventories` `Net Sales` stud_res
  <dbl> <dbl>               <dbl>       <dbl>    <dbl>
1   320  2016                488.       3242.    2.25 
2   320  2017                549.       3444.    0.313
3   320  2018                574.       3501.   -0.153
4   320  2019                594.       3554.   -0.519
5   320  2020                599.       3051.   -1.63 
6   320  2016                488.       2387.    0.318