Wie ausgeglichene Paneldaten in R finden (auch bekannt als, wie zu finden, welche Einträge in dem Panel werden komplett über gegebene Fenster)

Question

Ich habe ein großes Panel von Daten von Compustat. Um es Ich füge einige hand gesammelten Daten (ernsthaft von Hand gesammelt von einem Stapel alter Bücher). Aber ich will nicht Hand-collect für die gesamte Platte, nur eine zufällig ausgewählte Untergruppe. Um den größeren Satz zu finden (von dem ich Zufallsauswählen bin) Ich möchte mit dem symmetrischen Panel von Compustat starten.

Ich sehe die plm Bibliothek für mit unsymmetrischen Platten arbeiten, aber ich mag es im Gleichgewicht halten. Gibt es eine saubere Art und Weise diese kurze des Suchens nach und werfen Firmen (Einzelpersonen in panelspeak) zu tun, die nicht über die Abtastperiode laufen? Dank!

Answer 1

Nach einem zweiten Gedanken, gibt es eine viel einfachere Art und Weise, dies zu tun.

Blick auf diese:

data.with.only.complete.subjects.data <- function(xx, subject.column, number.of.observation.a.subject.should.have)
{
    subjects <- xx[,subject.column]
    num.of.observations.per.subject <- table(subjects)
    subjects.to.keep <- names(num.of.observations.per.subject)[num.of.observations.per.subject == number.of.observation.a.subject.should.have]

    subset.by.me <- subjects %in%   subjects.to.keep

    new.xx <- xx[subset.by.me ,]

    return(new.xx)
}

xx <- data.frame(subject = rep(1:4, each = 3),
            observation.per.subject = rep(rep(1:3), 4))
xx.mis <- xx[-c(2,5),]

data.with.only.complete.subjects.data(xx.mis , 1, 3)

Answer 2

jetzt es Sehen, verlor ich die Formatierung auf einem Teil der Daten, aber ich kann diese Zahl später heraus. Hier ist mein Versuch, den ausgeglichenen Teil der Platte unter:

    > data <- read.csv("223601533.csv")
> head(data)
  gvkey indfmt  datafmt consol popsrc fyear fyr datadate exchg         isin
1  2721   INDL HIST_STD      C      I  2000  12 20001231   264 JP3242800005
2  2721   INDL HIST_STD      C      I  2001  12 20011231   264 JP3242800005
3  2721   INDL HIST_STD      C      I  2002  12 20021231   264 JP3242800005
4  2721   INDL HIST_STD      C      I  2003  12 20031231   264 JP3242800005
5  2721   INDL HIST_STD      C      I  2004  12 20041231   264 JP3242800005
6  2721   INDL HIST_STD      C      I  2005  12 20051231   264 JP3242800005
    sedol      conm costat fic
1 6172323 CANON INC      A JPN
2 6172323 CANON INC      A JPN
3 6172323 CANON INC      A JPN
4 6172323 CANON INC      A JPN
5 6172323 CANON INC      A JPN
6 6172323 CANON INC      A JPN
> 
> obs.all <- tabulate(data$gvkey) # incl lots of zeros for unused gvkey
> num.obs <- tabulate(obs.all)
> mode.num.obs <- which(num.obs == max(num.obs))
> nt.bal <- num.obs[mode.num.obs] * mode.num.obs
> pot.obs <- which(obs.all == mode.num.obs)
> data.bal <- as.data.frame(matrix(NA, nrow=nt.bal, ncol=ncol(data)))
> colnames(data.bal) <- colnames(data)
> 
> for(i in 1:length(pot.obs)) {
+   last.row <- i * mode.num.obs
+   first.row <- last.row - (mode.num.obs - 1)
+   data.bal[first.row:last.row, ] <- subset(data, gvkey == pot.obs[i])
+ }
> 
> head(data.bal)
  gvkey indfmt datafmt consol popsrc fyear fyr datadate exchg isin sedol conm
1  2721      2       1      1      1  2000  12 20001231   264  875   359  331
2  2721      2       1      1      1  2001  12 20011231   264  875   359  331
3  2721      2       1      1      1  2002  12 20021231   264  875   359  331
4  2721      2       1      1      1  2003  12 20031231   264  875   359  331
5  2721      2       1      1      1  2004  12 20041231   264  875   359  331
6  2721      2       1      1      1  2005  12 20051231   264  875   359  331
  costat fic
1      1   1
2      1   1
3      1   1
4      1   1
5      1   1
6      1   1
> 

Answer 3

Update: Ich denke, diese Lösung weniger gut ist, dann der andere ich oben geschrieben, aber ich verlasse es als ein Beispiel für eine Lösung - was nicht so gut ist :) *

Hallo Rishard,

Es ist ein bisschen schwierig, aus einigen Beispieldaten zu Hilfe.

Aber es klingt wie Sie Ihre Daten mit „schmelzen“ und „cast“ aus dem „reshape“ Paket neu zu gestalten könnten. das zu tun ermöglicht es Ihnen, zu finden, wo Sie pro Thema zu wenig Beobachtung haben, und dann diese Informationen benutzen, um Ihre Daten zu der Teilmenge.

Hier ist ein Beispiel-Code, wie dies getan werden kann:

xx <- data.frame(subject = rep(1:4, each = 3),
            observation.per.subject = rep(rep(1:3), 4))
xx.mis <- xx[-c(2,5),]

require(reshape)


num.of.obs.per.subject <- cast(xx.mis, subject ~.)
the.number <- num.of.obs.per.subject[,2]
subjects.to.keep <- num.of.obs.per.subject[,1] [the.number  == 3]

ss.index.of.who.to.keep <- xx.mis $subject %in% subjects.to.keep 

xx.to.work.with <- xx.mis[ss.index.of.who.to.keep ,]


xx.to.work.with 

Cheers,

Tal

Answer 4

> # read data
> file.in <- "243815928.csv"
> data <- read.csv(file.in)
> 
> # find which gvkeys run the entire sample period
> obs.all <- tabulate(data$gvkey) # incl lots of zeros for unused gvkey
> num.obs <- tabulate(obs.all)
> mode.num.obs <- which(num.obs == max(num.obs))
> nt.bal <- num.obs[mode.num.obs] * mode.num.obs
> pot.obs <- which(obs.all == mode.num.obs)
> 
> # create new df w/o firms that don't run the whole sample period
> pot.obs.index <- which(data$gvkey %in% pot.obs)
> data.bal <- data[pot.obs.index, ]
> 
> # write data to csv file
> file.out <- paste(substr(file.in, 1, (nchar(file.in)-4)), "sorted.csv", sep="")
> write.csv(data.bal, file.out)