Пакет R/PLM: Как включить вложенный эффект для одних и тех же брендов в разных странах?

В настоящее время я анализирую набор панельных данных, который отслеживает бренды в разных странах с течением времени. В частности, меня интересует, как определенные переменные влияют на будущую долю рынка.

Используя функцию head(), мой набор данных выглядит следующим образом:

# A tibble: 20 x 10
   Country Brand Date      MS     uuu     vvv   www   xxx   yyy   zzz
   <chr>   <chr> <chr>  <dbl>   <dbl>   <dbl> <dbl> <dbl> <dbl> <dbl>
 1 BR      AAA   2015Q1 13.0  46.4    66.7     23.8     9  23.7  613.
 2 DE      AAA   2015Q1 16.1  56.5    35.6     36.5     8  23.7  461.
 3 ES      AAA   2015Q1 15.4  40.9    40.9     27.6     9  23.7  548.
 4 FR      AAA   2015Q1 14.4  48.4    25.1     30.1     8  23.7  414.
 5 IT      AAA   2015Q1 15.0  33.2    33.2     35.2     9  23.7  650.
 6 JP      AAA   2015Q1 14.8  19.6    -5.81    31.5     9  23.7  735.
 7 KO      AAA   2015Q1 14.3  45.7    26.1     42.4     9  23.7  410.
 8 UK      AAA   2015Q1 17.6  40.6    12.7     25.9     9  23.7  660.
 9 US      AAA   2015Q1  3.82 -0.651  -0.651   23.2    11  23.7  429.
10 BR      AAA   2015Q2 14.6  40.4    62.2     25.0     9  23.7  583.
11 DE      AAA   2015Q2 16.9  52.0    30.6     35.3     9  23.7  539.
12 ES      AAA   2015Q2 14.7  41.8    41.8     30.1     8  23.7  558.
13 FR      AAA   2015Q2 15.2  51.7    29.1     30.2     9  23.7  445.
14 IT      AAA   2015Q2 16.9  44.4    44.4     35.5     9  23.7  573.
15 JP      AAA   2015Q2 16.2  20.3    -8.73    29.4     9  23.7  664.
16 KO      AAA   2015Q2 16.0  49.1    31.6     40.2     9  23.7  408.
17 UK      AAA   2015Q2 18.8  34.4    10.2     27.5     9  23.7  788.
18 US      AAA   2015Q2  4.12  0.0770  0.0770  22.5    11  23.7  446.
19 BR      AAA   2015Q3 13.4  43.5    65.6     26.6     9  23.7  624.
20 CN      AAA   2015Q3 14.3  59.9    66.1     48.6     9  23.7  664.

Подобно некоторым примерам, которые я мог найти здесь или на других веб-сайтах, я попытался использовать пакет PLM в R для анализа данных с помощью регрессии вложенных случайных эффектов.

Я начал писать свой код следующим образом:

p_crosscountry2 <- pdata.frame(crosscountry2,index=c("Brand","Date","Country"))

что почти то же самое, что указано в этой угрозе: -using">оценить модель случайных эффектов повторных измерений с вложенной структурой, используя `plm()`

Однако есть одно принципиальное различие между примерами, которые я смог найти, и моим случаем:

Во всех примерах каждая единица самого низкого уровня связана только с одним более высоким уровнем (пример: каждый студент принадлежит только к одной школе), в то время как в моем случае единицы самого низкого уровня могут принадлежать нескольким более высоким уровням (несколько брендов представлены в нескольких странах). .

Когда я запускаю код dataframe, он показывает мне следующее сообщение об ошибке:

Warning message:
In pdata.frame(crosscountry2, index = c("Brand", "Date",  :
  duplicate couples (id-time) in resulting pdata.frame
 to find out which, use e.g. table(index(your_pdataframe), useNA = "ifany")

Глядя в таблицу (используя предложенную функцию), структура данных выглядит нормально:

, , Country = BR

     Date
Brand 2015Q1 2015Q2 2015Q3 2015Q4 2016Q1 2016Q2 2016Q3 2016Q4 2017Q1 2017Q2 2017Q3
  AAA      1      1      1      1      1      1      1      1      1      1      1
  BBB      0      0      0      0      0      0      0      0      0      0      0
  CCC      1      1      1      1      1      1      1      1      1      1      1
  DDD      0      0      0      0      0      0      0      0      0      0      0
  EEE      0      0      0      0      0      0      0      0      0      0      0
  FFF      0      0      0      0      0      0      0      0      0      0      0
  GGG      0      0      0      0      0      0      0      0      0      0      0
  HHH      1      1      1      1      1      1      1      1      1      1      1
  III      1      1      1      1      1      1      1      1      1      1      1
  JJJ      1      1      1      1      1      1      1      1      1      1      1
  KKK      1      1      1      1      1      1      1      1      1      1      1
  LLL      0      0      0      0      0      0      0      0      0      0      0
  MMM      0      0      0      0      0      0      0      0      0      0      0

, , Country = CN

     Date
Brand 2015Q1 2015Q2 2015Q3 2015Q4 2016Q1 2016Q2 2016Q3 2016Q4 2017Q1 2017Q2 2017Q3
  AAA      0      0      1      1      1      1      1      1      1      1      0
  BBB      0      0      1      1      1      1      1      1      1      1      0
  CCC      0      0      0      0      0      0      0      0      0      0      0
  DDD      0      0      0      0      0      0      0      0      0      0      0
  EEE      0      0      1      1      1      1      1      1      1      1      0
  FFF      0      0      0      0      0      0      0      0      0      0      0
  GGG      0      0      1      1      1      1      1      1      1      1      0
  HHH      0      0      1      1      1      1      1      1      1      1      0

С помощью функции head() таблица выглядит следующим образом:

             Country Brand   Date    MS       uuu       vvv      www xxx     yyy      zzz
BR-AAA-2015Q1      BR   AAA 2015Q1 12.97  46.43449  66.66667 23.79714   9 23.7342 613.1986
BR-AAA-2015Q2      BR   AAA 2015Q2 14.56  40.38156  62.16216 24.96264   9 23.7342 583.3325
BR-AAA-2015Q3      BR   AAA 2015Q3 13.38  43.53741  65.64626 26.59215   9 23.7342 623.8418
BR-AAA-2015Q4      BR   AAA 2015Q4 14.94  42.18077  67.14491 26.05669   9 23.7342 610.7607
BR-AAA-2016Q1      BR   AAA 2016Q1 15.10  46.62681  68.57387 26.93074   9 26.6329 650.2189
BR-AAA-2016Q2      BR   AAA 2016Q2 15.17  48.34142  71.68285 25.15683   9 26.6329 671.1437
BR-AAA-2016Q3      BR   AAA 2016Q3 13.90  49.98002  71.39433 26.26867   9 26.6329 645.4896
BR-AAA-2016Q4      BR   AAA 2016Q4 15.93  50.23791  71.45123 25.62308   9 26.6329 669.8751
BR-AAA-2017Q1      BR   AAA 2017Q1 14.51  50.65138  72.48567 25.49358   9 31.3494 768.1376
BR-AAA-2017Q2      BR   AAA 2017Q2 14.71  50.07792  73.29870 27.33325   9 31.3494 639.0572
BR-AAA-2017Q3      BR   AAA 2017Q3 14.02  50.25853  72.64736 25.06274   9 31.3494 666.7235
BR-CCC-2015Q1      BR   CCC 2015Q1  4.87 -47.35099 -24.83444 57.96842   7  4.7340 613.1986
BR-CCC-2015Q2      BR   CCC 2015Q2  4.91 -60.50955 -41.71975 50.41528   8  4.7340 583.3325
BR-CCC-2015Q3      BR   CCC 2015Q3  4.86 -56.59722 -39.58333 43.69692   6  4.7340 623.8418
BR-CCC-2015Q4      BR   CCC 2015Q4  4.40 -57.38636 -40.62500 45.89061   7  4.7340 610.7607
BR-CCC-2016Q1      BR   CCC 2016Q1  4.34 -46.82131 -27.83505 46.66406   6  4.8588 650.2189
BR-CCC-2016Q2      BR   CCC 2016Q2  4.63 -45.86039 -27.02922 52.84351   8  4.8588 671.1437
BR-CCC-2016Q3      BR   CCC 2016Q3  5.47 -52.37342 -32.27848 62.05175   6  4.8588 645.4896
BR-CCC-2016Q4      BR   CCC 2016Q4  4.82 -43.54067 -24.40191 58.59462   7  4.8588 669.8751
BR-CCC-2017Q1      BR   CCC 2017Q1  5.10 -42.12185 -22.26891 46.53642   8  4.9031 768.1376

У меня было бы два вопроса по этому поводу:

1) Есть ли другой способ правильно определить фрейм данных? Я также пробовал разные порядки одних и тех же столбцов, но всегда получал одно и то же сообщение об ошибке.

2) В качестве обходного пути я создал комбинированную переменную страны и бренда (например, AAA_BR, AAA_CN, CCC_BR и т. д.) и использовал ее вместо переменной бренда. Эта версия фактически позволила мне выполнить регрессию вложенных случайных эффектов. Считаете ли вы, что это осуществимый вариант, или у меня возникают проблемы, поскольку я не учитываю тот факт, что одни и те же бренды больше представлены в разных странах?

Спасибо за поддержку!

Свен