| 维护者 | Achim Zeileis、Grant McDermott、Kevin Tappe |
| 联系方式 | Achim.Zeileis at R-project.org |
| 版本 | 2023-08-08 |
| 网址 | https://CRAN.R-project.org/view=Econometrics |
| 源代码 | https://github.com/cran-task-views/Econometrics/ |
| 贡献 | 欢迎对该任务视图提出建议和改进，可以通过 GitHub 上的问题或拉取请求，或通过电子邮件联系维护者地址。有关更多详细信息，请参阅 贡献指南. |
| 引用 | Achim Zeileis、Grant McDermott、Kevin Tappe (2023)。CRAN 任务视图：计量经济学。版本 2023-08-08。网址 https://CRAN.R-project.org/view=Econometrics. |
| 安装 | 可以使用 ctv 包自动安装此任务视图中的包。例如，ctv::install.views("Econometrics", coreOnly = TRUE) 安装所有核心包，或 ctv::update.views("Econometrics") 安装所有尚未安装和更新的包。有关更多详细信息，请参阅 CRAN 任务视图计划. |
Base R 附带了许多对（计算）计量经济学有用的功能，特别是在 stats 包中。此功能由 CRAN 上的许多包补充，下面将简要概述。此视图中的计量经济学工具与“金融”、“时间序列”和“因果推断”任务视图中的工具之间也存在一定程度的重叠。
此视图中的包可以大致分为以下主题。如果您认为列表中缺少某些包，请在 GitHub 存储库中提交问题或联系维护者。
lm()（来自 stats）提供了线性模型的普通最小二乘 (OLS) 估计，各种方法（如 summary() 和 anova()）提供了用于模型比较的标准检验。summary()和anova()方法类似的函数，也支持渐近检验（z 而不是t 检验，以及卡方检验而不是F 检验）以及其他协方差矩阵的插入，分别是lmtest中的coeftest()和waldtest()。（非）线性假设检验，适用于广泛的 R 包，可以通过marginaleffects的deltamethod()函数实现。这扩展了来自car的旧的（非）线性假设检验函数，如linearHypothesis()和deltaMethod()。glm()拟合。这尤其包括用于建模选择数据的 logit 和 probit 模型，以及用于计数数据的 Poisson 模型。glm()和family = binomial进行估计。brglm提供了对完全和准完全分离具有鲁棒性的偏差减少 GLM。通过模拟最大似然估计的离散选择模型在Rchoice中实现。bife提供了具有固定效应的二元选择模型。glmx实现了异方差 probit 模型（以及其他异方差 GLM），以及参数链接函数和 GLM 的链接函数拟合优度检验。glm() 使用 family = poisson 进行估计，如上所述。负二项式 GLM 可通过包 MASS 中的 glm.nb() 获得。负二项式模型的另一种实现由 aod 提供，该包还包含其他用于过度分散数据的模型。零膨胀和障碍计数模型在包 pscl 中提供。同一作者的重新实现目前正在 R-Forge 上的 countreg 中开发，该项目还包含用于零截断回归、有限混合模型等的单独函数。multinom() 中可用。包含特定于个体和特定于选择的变量的实现是 mlogit。广义多项式 logit 模型（例如，具有随机效应等）在 gmnl 中。各种可定制选择模型（包括多项式 logit 和嵌套 logit 等）的灵活框架在 apollo 包中实现。较新的 logitr 包结合了这些先前包中的许多功能，并且还提供了一些有意义的性能改进，用于快速估计多项式和混合 logit 模型。混合 logit 模型的模拟最大似然估计，特别是对于大型数据集，在 mixl 中可用。可以使用 VGAM 包拟合多项式响应的广义加性模型 (GAM)。 MNP 提供了多项式 probit 模型的贝叶斯方法。 bayesm 中提供了各种贝叶斯多项式模型（包括 logit 和 probit）。包 RSGHB 基于似然函数的直接规范拟合各种层次贝叶斯规范。此外，RprobitB 包实现了潜在类别混合多项式 probit 模型，用于逼近真实的潜在混合分布。polr() 实现用于有序响应的比例优势回归。包 ordinal 提供用于有序数据的累积链接模型，该模型包含比例优势模型，但也包括更一般的规范。 bayesm 和 RprobitB 提供了贝叶斯有序 probit 模型。survreg() 函数拟合，一个方便的接口 tobit() 在 AER 包中。更多删失回归模型，包括面板数据的模型，在 censReg 包中提供。具有条件异方差的删失回归模型在 crch 包中。此外，针对零值左删失数据的障碍模型可以使用 mhurdle 包进行估计。样本选择模型在 sampleSelection 和 ssmrob 包中分别使用经典和稳健推断方法提供。matchingMarkets 包在样本是稳定匹配过程（例如，群体形成或大学录取问题）的结果时，可以校正选择偏差。coxph() 函数的 Cox 比例风险模型或使用 survreg() 函数的 Weibull 模型。更多精细的模型可以在 Survival 任务视图中找到。下面我们将回顾与因果推断的一些常见研究设计相关的包。本节内容必然简短，应与 CausalInference 任务视图结合起来，因为两者之间存在高度重叠。
lm() 或 glm() 等中的简单交互来估计。类似地，等效的双向固定效应 (TWFE) 设计可以使用因子来控制单位和时间固定效应来获得。但是，对于高维数据集，TWFE 更方便地使用专门的面板数据包进行估计，例如 fixest 或 plm。前者甚至提供了一个方便的 i() 运算符，用于在 TWFE 设置中构建和交互因子。sunab() 函数）和 gsynth。tsls() 在包 sem 中可用。lm() 或 glm()）并仅校正标准误。不同类型的聚类、面板和面板校正标准误在 sandwich（结合来自 multiwayvcov 的先前工作）、clusterSEs、pcse、clubSandwich、plm 和 geepack 中分别可用。后两者需要分别通过 plm() 和 geeglm() 从各自的包中估计合并/独立模型（它们还提供其他类型的模型，见下文）。nls()。"ts" 是 R 用于等距时间序列（尤其是年度、季度和月度数据）的标准类。它可以在不丢失信息的情况下与包 zoo 中的 "zooreg" 相互转换。"zoo"）的基础设施，其中时间信息可以是任意类。这包括每日序列（通常使用 "Date" 时间索引）或日内序列（例如，使用 "POSIXct" 时间索引）。基于 zoo 的扩展，针对具有不同时间索引类型的时间序列，是 xts。在 Finance 任务视图中讨论了特别针对金融应用的更多包。ar() 估计简单的自回归模型，可以使用 arima()（都在 stats 包中）进行 ARIMA 建模和 Box-Jenkins 式分析。arima() 的增强版本在 forecast 中。lm() 方便接口。可以使用 nlme 中的 gls() 对具有 AR 误差项的线性回归模型进行 GLS 估计。StructTS() 拟合标准模型。在 TimeSeries 任务视图中讨论了更多包。decompose() 和 HoltWinters() 在 stats 包中。计算滤波器（滚动和自回归）的基本函数是 stats 包中的 filter()。这些方法的许多扩展，特别是用于预测和模型选择，在 forecast 包中提供。ar() 拟合，更复杂的模型在 vars 包中提供，以及合适的诊断、可视化等。面板向量自回归在 panelvar 包中提供。tsbootstrap()。 fwildclusterboot 包为线性回归模型提供了一个快速的野性聚类引导实现，尤其是在聚类数量较少的情况下。