Я пытаюсь эффективно реализовать технику блочной загрузки, чтобы получить распределение коэффициентов регрессии. Основная схема выглядит следующим образом.

У меня есть набор данных панели, и я говорю, что фирма и год являются показателями. Для каждой итерации начальной загрузки я хочу выбрать n предметов с заменой. Из этого примера мне нужно построить новый фрейм данных, который являетсяrbind() составьте список всех наблюдений для каждого выбранного объекта, запустите регрессию и извлеките коэффициенты. Повторите для нескольких итераций, скажем, 100.

Each firm can potentially be selected multiple times, so I need to include it data multiple times in each iteration's data set. Using a loop and subset approach, like below, seems computationally burdensome. Note that for my real data frame, n, and the number iterations is much larger than the example below.

Сначала я хочу разбить существующий фрейм данных на список по предмету, используяsplit() команда. Оттуда используйте

sample(unique(df1$subject),n,replace=TRUE)

чтобы получить новый список, то, возможно, реализоватьquickdf отplyr пакет для создания нового фрейма данных.

Пример медленного кода:

require(plm)
data("Grunfeld", package="plm")

firms = unique(Grunfeld$firm)
n = 10
iterations = 100
mybootresults=list()

for(j in 1:iterations){

  v = sample(length(firms),n,replace=TRUE)
  newdata = NULL

  for(i in 1:n){
    newdata = rbind(newdata,subset(Grunfeld, firm == v[i]))
  }

  reg1 = lm(value ~ inv + capital, data = newdata)
  mybootresults[[j]] = coefficients(reg1)

}

mybootresults = as.data.frame(t(matrix(unlist(mybootresults),ncol=iterations)))
names(mybootresults) = names(reg1$coefficients)
mybootresults

  (Intercept)      inv    capital
1    373.8591 6.981309 -0.9801547
2    370.6743 6.633642 -1.4526338
3    528.8436 6.960226 -1.1597901
4    331.6979 6.239426 -1.0349230
5    507.7339 8.924227 -2.8661479
...
...