为何plm对dplyr生成的数据框处理结果异常？

我用base R和dplyr对同一个pdata.frame执行完全相同的筛选操作，之后用lm()建模结果完全一致，但传入plm()做固定效应（within方法）建模时，模型参数估计和面板结构识别都出现了明显差异。以下是可复现的代码（使用R 4.2.3、dplyr 1.1.1版本）：

set.seed(1)

library(dplyr)
library(magrittr)
library(plm)

# 生成测试数据集
A = c(runif(100))
B = c(runif(100))
C = c(runif(100))
df <- data.frame(A,B,C)
df$id <- floor((as.numeric(rownames(df))-1)/10)
df$t <- ave(df$A, df$id, FUN = seq_along)

# base R处理
df_base <- pdata.frame(df, index = c('id','t')) 
df_base <- subset(df_base, (as.numeric(df_base$t)<8))

# dplyr处理
df_dplyr <- pdata.frame(df, index = c('id','t')) 
df_dplyr <- df_dplyr %>% 
  filter(as.numeric(t)<8) 

# lm建模结果一致
print(summary(lm(A ~ B + C, data = df_base)))
print(summary(lm(A ~ B + C, data = df_dplyr)))

# plm建模结果差异明显
print(summary(plm(A ~ B + C,data = df_base, method = "within")))
print(summary(plm(A ~ B + C,data = df_dplyr, method = "within")))

原因分析 #

核心问题是dplyr的filter()操作会丢失pdata.frame的面板属性：

• base R的subset()函数会保留pdata.frame的索引（index）元数据，plm可以正确识别个体和时间维度
• dplyr处理后的df_dplyr已经不再是pdata.frame，plm会自动尝试重新解析数据的面板结构，导致识别错误，最终影响固定效应的估计结果

可以用以下代码验证属性差异：

# 检查是否为pdata.frame
is.pdata.frame(df_base) # 返回TRUE
is.pdata.frame(df_dplyr) # 返回FALSE

# 查看面板索引
index(df_base) # 正常输出id和t的索引信息
index(df_dplyr) # 报错，因为已丢失面板属性

解决方案 #

有两种简单的方法可以解决这个问题：

方案1：dplyr处理后重新转为pdata.frame #

在filter操作后，手动将数据集重新转为pdata.frame并指定索引：

df_dplyr <- df_dplyr %>% 
  filter(as.numeric(t)<8) %>%
  pdata.frame(index = c('id','t'))

方案2：使用plm包自带的psubset()函数 #

plm提供了专门用于pdata.frame的筛选函数psubset()，它会自动保留面板属性：

df_dplyr <- psubset(df_dplyr, as.numeric(t)<8)

修改后再运行plm建模代码，两个数据集的模型结果就会完全一致。

内容的提问来源于stack exchange，提问作者snowpeak