Save *both* estimated effects
Los mantenedores suelen responder en 1 día
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 35/100
Línea de trabajo
Start by reading the PanelEffectsResults.estimated_effects API and how PanelOLS handles entity and time effects. Check the existing documentation and tests for estimated effects; the issue does not name specific files or tests. Done means the expected way to save both effects is clear and supported, with output that can be checked against the reported example.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Hey there,
I run the textbook example of PanelOLS with both "entity" and "time" FEs. I am trying to save the two estimated effects using linearmodels.panel.results.PanelEffectsResults.estimated_effects, but I obtain only one column in the output DataFrame, which does not even seem to resemble either of the two FEs (I am double checking everything with Stata's reghdfe).
from linearmodels.datasets import wage_panel
from linearmodels import PanelOLS
data = wage_panel.load()
year = pd.Categorical(data.year)
data = data.set_index(["nr", "year"])
exog_vars = ['expersq']
exog = sm.add_constant(data[exog_vars])
mod = PanelOLS(data.lwage, exog, entity_effects=True, time_effects=True)
result = mod.fit(cov_type='clustered')
result.estimated_effects
gives me the following output
nr year estimated_effects
13 1980 -0.993351
1981 -0.835877
1982 -0.728156
1983 -0.620804
1984 -0.479181
... ... ...
12548 1983 -0.212544
1984 -0.070921
1985 0.059622
1986 0.212194
1987 0.382053
4360 rows × 1 columns
How can I save both the estimated effects?
Am I missing something, or is this a bug?
Thank you for your help!
- Lenguaje dominante
- Python
- Estrellas
- 1.1k
- Forks
- 203
- Merge medio
- 3 h 26 min
- PR fusionados (30 d)
- 115
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de bashtage/linearmodels
-
enhancement
Dificultad 5/5 Más de una semana Aptitud para principiantes 15/100
bashtage/linearmodels#832 ·
Los mantenedores suelen responder en 1 día
-
bug
Dificultad 4/5 3-5 días Aptitud para principiantes 25/100
bashtage/linearmodels#831 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
IV: LIML kappa with an endogenous regressor spanned by the instruments, kappa's unit dependence, scale-dependent instrument rank checkPosiblemente ocupada Un pull request vinculado a esta issue está abierto o ya se fusionó. Abiertobug
Dificultad 4/5 3-5 días Aptitud para principiantes 25/100
bashtage/linearmodels#823 ·
Los mantenedores suelen responder en 1 día
-
enhancement
Dificultad 5/5 Más de una semana Aptitud para principiantes 18/100
bashtage/linearmodels#817 ·
Los mantenedores suelen responder en 1 día
-
bug
Dificultad 4/5 3-5 días Aptitud para principiantes 48/100
bashtage/linearmodels#780 ·
Los mantenedores suelen responder en 1 día
Todos los issues de bashtage/linearmodels
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
Nixtla/mlforecast#823 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 65/100
microsoft/ML-For-Beginners#1061 ·
-
bot-found documentation priority: P3
Dificultad 2/5 Menos de una hora Aptitud para principiantes 82/100
madenvel/KalinkaPlayer#503 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 63/100
EleutherAI/lm-evaluation-harness#4508 ·
Los mantenedores suelen responder en 1 día