python-panel-data

Python パネルデータ

目的

このスキルは、pandas、statsmodels、linearmodelsを使用して、適切な固定効果、クラスタリング、診断を行いながら、経済学者がPythonでパネルデータモデルを実行できるよう支援します。

使用する場面

• 固定効果モデルまたはランダム効果モデルを推定する
• パネルデータを用いて差の差分析を実行する
• Pythonで回帰表やグラフを作成する

手順

次の手順でタスクを完了します。

ステップ 1：コンテキストを把握する

コードを生成する前に、ユーザーに次の点を確認します。

• 観測単位とパネル識別子は何ですか？
• 必要なアウトカムと説明変数は何ですか？
• どの固定効果または時間効果が必要ですか？
• 標準誤差はどのようにクラスタリングしますか？

ステップ 2：出力を生成する

コンテキストに基づいて、次の処理を行うPythonコードを生成します。

1. pandasでデータを読み込み、クリーニングする
2. パネル構造を表すMultiIndexを設定する
3. linearmodels.PanelOLSまたはRandomEffectsを使用してモデルを適合する
4. 結果を読みやすい表と、必要に応じてLaTeX形式で出力する

ステップ 3：検証して説明する

出力を生成した後、次のことを行います。

• 主要な係数を解釈する
• 仮定（厳密外生性、平行トレンドなど）に言及する
• ロバストネスチェック（クラスタリング方法の変更、プラセボ検定など）を提案する

プロンプトの例

• 「企業固定効果と年固定効果を含む二元固定効果モデルを実行してください」
• 「州固定効果と年固定効果を用いて差の差分析を推定してください」
• 「パネル回帰の結果をLaTeX形式で出力してください」

出力例

# ============================================
# Panel Data Analysis in Python
# ============================================
import pandas as pd
from linearmodels.panel import PanelOLS

# Load data
df = pd.read_csv("panel_data.csv")

# Set panel index
df = df.set_index(["firm_id", "year"])

# Create treatment indicator
df["treat_post"] = df["treated"] * df["post"]

# Two-way fixed effects model
model = PanelOLS.from_formula(
    "outcome ~ 1 + treat_post + EntityEffects + TimeEffects",
    data=df
)
results = model.fit(cov_type="clustered", cluster_entity=True)

print(results.summary)

要件

ソフトウェア

• Python 3.10+

パッケージ

• pandas
• linearmodels
• statsmodels

次のコマンドでインストールします。

pip install pandas linearmodels statsmodels

ベストプラクティス

1. パネル識別子と、バランスドパネルかアンバランスドパネルかを必ず確認する
2. 適切なレベルで標準誤差をクラスタリングする
3. 推定前に欠損データを確認する

よくある落とし穴

• 適切なパネルインデックスを設定しない
• 固定効果が必要な場合にプールドOLSを使用する
• 固定効果を考慮せずに係数を誤って解釈する

参考資料

• linearmodelsのドキュメント
• statsmodelsのドキュメント
• Wooldridge (2010)『Econometric Analysis of Cross Section and Panel Data』

変更履歴

v1.0.0

• 初回リリース