Закон о праве на ношение, также известный как закон, требует от правительства Соединенных Штатов выдавать разрешения на скрытое ношение огнестрельного оружия любому заявителю, который соответствует необходимым критериям. Привело ли это к увеличению или снижению уровня насильственных преступлений?
Это вторая статья в серии, и в части I визуализация данных использовалась для понимания влияния закона о праве на ношение на уровень насильственных преступлений. Ниже ссылка на Часть 1.
В этой части будут использоваться методы групповой регрессии, чтобы понять изменение уровня насильственных преступлений на основе таких факторов, как количество заключенных, закон о праве на ношение, численность населения и т. д.
Код R и данные на моем GitHub:
Чтобы узнать больше о моих блогах, посетите мой Medium и мой GitHub.
В этой статье:
- Определения всех переменных, которые будут использоваться в панельной регрессии.
- Проверить нормальность каждой переменной
- Выполнить преобразование переменных
- Проверка парных корреляций
- Панельная регрессия (будут использоваться модели объединенных и фиксированных эффектов)
- Вывод результатов различных моделей панельной регрессии
Определение различных переменных
Переменная «должен» равна единице, если закон о праве на ношение действовал в штате и в конкретном году, или же «должен» равен нулю.
Нормальность каждой переменной с использованием графиков плотности
- Уровень насилия, количество заключенных и плотность населения имеют высокую асимметрию (выше 2,5).
- Эти три переменные были преобразованы с использованием логарифмической функции
Попарная корреляция между переменными
- pb1064 (процент чернокожего населения штата в возрасте 10–64 лет) и pw1064 (процент белого населения штата в возрасте 10–64 лет) имеют сильно отрицательную корреляцию (-0,98).
- Включение независимых переменных, которые сильно коррелированы, может привести к завышению стандартных ошибок.
Регрессия панели
- Объединенные обычные методы наименьших квадратов с логарифмом (уровень насилия) в качестве зависимой переменной
Код
Результат
- Часть 1. Оценки Pb1064 и Pw1064 незначительно отличаются от нуля, а наличие закона о праве на ношение снижает уровень насилия на 28 % по сравнению с отсутствием закона о праве на ношение.
- Часть 2.Проверка объединенной гипотезы с H-Null, поскольку Pb1064 = 0 и Pw1064 = 0 показывает, что обе переменные несущественны.
- Часть 3:График количества заключенных в зависимости от остатков модели имеет конусообразную структуру, которая показывает наличие гетероскедастичности. Таким образом, использование Cluster-Robust Standard Errors, которое исправляет стандартные ошибки.
- Часть 4.Модель объединенной регрессии без Pb1064 и Pw1064 с использованием Cluster-Robust SE показывает, что все переменные значимы при p-значении 0,15, а наличие закона о праве на ношение снижает уровень насилия на 28 % чем не имея закона. Это кажется очень высокой оценкой, которая может быть из-за опущенной переменной смещения.
2. Модель с фиксированными эффектами с фиксированными эффектами Entity
Модель с фиксированными эффектами невосприимчива к смещению пропущенных переменных из-за переменных, которые являются постоянными во времени и изменяются между состояниями, а не внутри состояний. Например, культурное отношение людей к совершению преступлений не может быть определено количественно с помощью объединенной модели МНК.
Код
Результат
- Часть 1. Режимы Entity-Fixed Effects показывают, что оценка среднего дохода незначительно отличается от нуля, а наличие права на ношение снижает уровень насилия на 3,7% по сравнению с отсутствием права на ношение. закон
- Часть 2:Сущность Фиксированные эффекты без среднего_дохода показывают, что наличие закона о праве на ношение снижает уровень насилия на 3,8%, чем отсутствие закона о праве на ношение, и оценки значимы только при высоком p- значение 0,04. Расчетное значение сильно отличается от оценки опрошенных.
3. Модель с фиксированными эффектами с фиксированными объектами и временными эффектами
Тем не менее, могут быть опущены переменные, которые могут меняться во времени, но остаются постоянными в разных состояниях. Использование модели с фиксированными эффектами как с фиксированным временем, так и с фиксированными эффектами объекта путем создания фиктивных переменных для времени устранит погрешность таких пропущенных переменных.
Код
Результат
- Часть 1. Модель эффектов с фиксированной сущностью и фиксированным временем показывает, что оценки Pb1064, pop, avg.income и pw1064 существенно не отличаются от нуля, а отсутствие закона о праве на ношение увеличивает уровень насилия на 2,8% по сравнению с имеющими право на ношение
- Проверка объединенной гипотезы с H-Null, поскольку Pb1064 = 0, pop = 0, avg.income = 0 и pw1064 = 0, показывает, что все четыре переменные незначимы.
- Часть 2.Модель эффектов с фиксированной сущностью и фиксированным временем без Pb1064, pop, avg.income и pw1064 показывает, что отсутствие закона о праве на ношение повышает уровень насилия на 2,8 %, чем наличие права на -право на ношение, что также означает, что наличие закона о праве на ношение снижает уровень насилия на 2,8%, чем отсутствие закона на ношение. Переменная «должен» также является значимой, и оценка сильно отличается от объединенной модели.
Заключение
- Оценка модели «Фиксированные эффекты с фиксированной сущностью и фиксированным временем» и «Фиксированные эффекты с фиксированной сущностью» показывает, что наличие закона о праве на ношение снижает уровень насильственных преступлений, чем отсутствие закона о праве на ношение, а только менее чем на 4%
- Это также согласуется с выводами из Части I о том, что «закон о праве на ношение одежды эффективно снижает уровень насильственных преступлений».
- Есть и другие исследования, показывающие, что большее количество оружия приводит к увеличению числа грабежей (коэффициент кражи со взломом). Это исследование фокусируется только на уровне насильственных преступлений.
