更改 R 中面板数据的周期性答案

【问题标题】：Changing periodicity of panel data in R更改 R 中面板数据的周期性
【发布时间】：2019-07-23 19:24:52
【问题描述】：

我有这个每月频率的银行面板数据。我想使用给定季度中三个月的平均值转换为季度频率。下面是我的数据框的 head()：

    db %>% select(Data,Bank,PC) %>% head()
    # A tibble: 6 x 3
      Data       Bank                             PC
      <date>     <chr>                         <dbl>
    1 2017-01-01 BANCO BM&FBOVESPA        502630099.
    2 2017-01-01 BANCO BONSUCESSO S.A.   1716340938.
    3 2017-01-01 BANCO BRADESCARD        5334785523.
    4 2017-01-01 BANCO BTG PACTUAL S.A. 98935990703.
    5 2017-01-01 BANCO CBSS               596039238.
    6 2017-01-01 BANCO CIFRA              116806412.

该数据集包含 100 多家银行 2017 年的月度数据。我需要将每个银行系列转换为季度频率。所以在上面的例子中，我需要为样本中的每家银行计算一年中每个季度的 PC 平均值。换句话说，我需要将面板数据的频率从每月更改为每季度。如何在 R 中完成数据？

如果有人想尝试，以下是我的数据子集。

    structure(list(Data = structure(c(17167, 17198, 17226, 17257, 
    17287, 17318, 17348, 17379, 17410, 17440, 17471, 17501), class = "Date"), 
Bank = c("BANCO ORIGINAL", "BANCO ORIGINAL", "BANCO ORIGINAL", 
"BANCO ORIGINAL", "BANCO ORIGINAL", "BANCO ORIGINAL", "BANCO ORIGINAL", 
"BANCO ORIGINAL", "BANCO ORIGINAL", "BANCO ORIGINAL", "BANCO ORIGINAL", 
"BANCO ORIGINAL"), Taxonomy = c("BANCOS MULTIPLOS", "BANCOS MULTIPLOS", 
"BANCOS MULTIPLOS", "BANCOS MULTIPLOS", "BANCOS MULTIPLOS", 
"BANCOS MULTIPLOS", "BANCOS MULTIPLOS", "BANCOS MULTIPLOS", 
"BANCOS MULTIPLOS", "BANCOS MULTIPLOS", "BANCOS MULTIPLOS", 
"BANCOS MULTIPLOS"), Liq = c(1.1997748808169, 1.19259719096416, 
1.17984955128666, 1.18695199874656, 1.19834389025218, 1.22404552882798, 
1.24812868632381, 1.25155515564228, 1.23908341171122, 1.22923764062342, 
1.22573014109315, 1.19451856437255), Cap = c(0.0564130001266887, 
0.0511332310836733, 0.055115912263737, 0.0610766393321285, 
0.0516610760871821, 0.0519465686269887, 0.0582801135631064, 
0.053508898053011, 0.0557890616137837, 0.0639122025397535, 
0.0588865316259913, 0.0534625111456079), Size = c(24.3393816873135, 
24.4387493714898, 24.3615598295339, 24.2589048360285, 24.4251409240454, 
24.4154251928763, 24.3141208787945, 24.4120044047441, 24.3647597828241, 
24.219599367394, 24.304650218349, 24.3922876799839), risk = c(0.220292714085706, 
0.226351022665361, 0.225513481661864, 0.261226698162742, 
0.268547230949181, 0.193220911345295, 0.189681335841555, 
0.203642574652873, 0.17111480849187, 0.198715216005694, 0.189870257131344, 
0.13419221010663), profitability = c(-0.01753800950183, -0.0175186818010891, 
-0.017557013896287, -0.0175563818325023, -0.0175772644337278, 
-0.0176513268874473, -0.0161626726677722, -0.015962366730429, 
-0.0160506385110374, -0.0161994381957536, -0.0161484427069834, 
-0.0162943410707466)), row.names = c(NA, -12L), class = c("tbl_df", 
    "tbl", "data.frame"))

【问题讨论】：

首先您需要说明如何做到这一点。通过银行？电脑的意思？描述要应用的逻辑。也搜索[r] monthly quarterly
我需要按银行计算数据库中每个变量的平均值。所以在上面的例子中，我需要计算每家银行每个季度的 PC 平均值，所以我获得了一个面板数据，但具有季度频率。
所以，为了描述你想看到的内容，你现在需要提供一个示例数据，最好是以可以轻松融入测试的方式。使用 dput 或 dump 是数据框或小标题的最佳方式。
我编辑并提供了我的数据子集。这足够了吗？谢谢！

标签： r time-series tidyverse panel-data

【解决方案1】：

如果您使用库lubridate，您可以生成季度：

library(lubridate)
db %>% mutate(qData = quarter(Data))

最好的！

【讨论】：

嗨！谢谢你的意见，但这不是我要找的。 Quarter() 函数告诉我数据属于一年中的哪个季度。或者至少这是我从文档中了解到的。但是，我需要更改数据的频率。在上面的例子中，我需要计算每个银行每个季度的 PC 平均值，这样我就可以获得一个季度频率的面板数据。你有什么建议吗？

【解决方案2】：

您可以将月份值除以三（加一以将qtr 转换为 1:4）。如果数据跨越多年，您可能需要粘贴年份值：

 aggregate(dat[4:8], list( qtr=as.POSIXlt(dat$Data)$mon%/%3 +1, bank=dat$Bank), mean)
  qtr           bank      Liq        Cap     Size      risk profitability
1   1 BANCO ORIGINAL 1.190741 0.05422071 24.37990 0.2240524   -0.01753790
2   2 BANCO ORIGINAL 1.203114 0.05489476 24.36649 0.2409983   -0.01759499
3   3 BANCO ORIGINAL 1.246256 0.05585936 24.36363 0.1881462   -0.01605856
4   4 BANCO ORIGINAL 1.216495 0.05875375 24.30551 0.1742592   -0.01621407

原来动物园里有一个 yearqtr 课程会更好：

library(zoo)
aggregate(dat[4:8], list( qtr=as.yearqtr(dat$Data), bank=dat$Bank), mean)
      qtr           bank      Liq        Cap     Size      risk profitability
1 2017 Q1 BANCO ORIGINAL 1.190741 0.05422071 24.37990 0.2240524   -0.01753790
2 2017 Q2 BANCO ORIGINAL 1.203114 0.05489476 24.36649 0.2409983   -0.01759499
3 2017 Q3 BANCO ORIGINAL 1.246256 0.05585936 24.36363 0.1881462   -0.01605856
4 2017 Q4 BANCO ORIGINAL 1.216495 0.05875375 24.30551 0.1742592   -0.01621407

【讨论】：