typo

Author: spring-haru

17_Panel.ipynb

@@ -728,7 +728,8 @@
    "cell_type": "markdown",
    "metadata": {
     "heading_collapsed": true,
-    "hidden": true
+    "hidden": true,
+    "jp-MarkdownHeadingCollapsed": true
    },
    "source": [
     "### 説明"
@@ -877,7 +878,8 @@
   {
    "cell_type": "markdown",
    "metadata": {
-    "hidden": true
+    "hidden": true,
+    "jp-MarkdownHeadingCollapsed": true
    },
    "source": [
     "### 推定"
@@ -893,7 +895,8 @@
     "\n",
     "（注意）\n",
     "\n",
-    "時間ダミー変数の代わりに`TimeEffects`を使わないように。入れることができますが，そのような仕様になっていません。"
+    "時間ダミー変数の代わりに`TimeEffects`を使わないように。\n",
+    "入れてもエラーは出ませんが，`TimeEffects`は無視されて，時間ダミーがない結果と同じになります。"
    ]
   },
   {
@@ -906,7 +909,7 @@
    "source": [
     "formula_re = 'lwage ~ 1 + married + union + expersq \\\n",
     "                        + exper + educ + black + hisp \\\n",
-    "                        +d81+d82+d83+d84+d85+d86+d87'"
+    "                        + d81 + d82 + d83 +d84 + d85 + d86 + d87'"
    ]
   },
   {
@@ -1155,7 +1158,7 @@
    "source": [
     "formula_cre = 'lwage ~ 1 + married + union + expersq \\\n",
     "                         + married_mean + union_mean + expersq_mean \\\n",
-    "                         +d81+d82+d83+d84+d85+d86+d87'\n",
+    "                         + d81 + d82 + d83 + d84 + d85 + d86 + d87'\n",
     "\n",
     "result_cre = RandomEffects.from_formula(formula_cre, data=wagepan).fit()\n",
     "\n",
@@ -1199,7 +1202,7 @@
    "source": [
     "FEモデルとREモデルのどちらが適しているかを調べることができるHausman検定というものがある。CREモデルを使うことにより，同様の検定が簡単に行える。（式６）を考えよう。\n",
     "* $\\gamma=0$の場合，REモデルの（式５）と同じになり，REモデルが妥当ということになる。\n",
-    "* $\\gamma\\neq 0$の場合，$a_i$と$\\bar{x}_{i}$は相関することになり，これは$\\text{Cov}\\left(a_i,{x}_{it}\\right)\\neq 0$を意味し，REモデルが妥当な推定方法となる。\n",
+    "* $\\gamma\\neq 0$の場合，$a_i$と$\\bar{x}_{i}$は相関することになり，これは$\\text{Cov}\\left(a_i,{x}_{it}\\right)\\neq 0$を意味し，FEモデルが妥当な推定方法となる。\n",
     "\n",
     "この考えを利用して，次の帰無仮説と対立仮説のもとで$\\gamma$の優位性を調べる。\n",
     "* $\\text{H}_0:\\;\\text{Cov}\\left(a_i,x_{it}\\right)=0$\n",
@@ -1293,7 +1296,7 @@
     "formula_cre2 = 'lwage ~ 1 + married + union + expersq \\\n",
     "                          + exper + educ + black + hisp \\\n",
     "                          + married_mean + union_mean + expersq_mean \\\n",
-    "                          +d81+d82+d83+d84+d85+d86+d87'\n",
+    "                          + d81 + d82 + d83 + d84 + d85 + d86 + d87'\n",
     "\n",
     "result_cre2 = RandomEffects.from_formula(formula_cre2, data=wagepan).fit()\n",
     "\n",
@@ -2378,9 +2381,9 @@
  "metadata": {
   "celltoolbar": "Tags",
   "kernelspec": {
-   "display_name": "Python 3 (ipykernel)",
+   "display_name": "py11",
    "language": "python",
-   "name": "python3"
+   "name": "py11"
   },
   "language_info": {
    "codemirror_mode": {
@@ -2392,7 +2395,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.12.7"
+   "version": "3.11.9"
   },
   "toc": {
    "base_numbering": 1,