将通过最大似然估计的系数获取到寻星表中


83

Stargazer为lm(和其他)物体产生非常漂亮的乳胶表。假设我已经以最大可能性拟合了模型。我希望观星者为我的估算出一张类似lm的桌子。我怎样才能做到这一点?

尽管有点麻烦,但是一种方法可能是创建一个包含我的估算值的“伪” lm对象-我认为,只要summary(my.fake.lm.object)有效,它就可以工作。这容易做到吗?

一个例子:

library(stargazer)

N <- 200
df <- data.frame(x=runif(N, 0, 50))
df$y <- 10 + 2 * df$x + 4 * rt(N, 4)  # True params
plot(df$x, df$y)

model1 <- lm(y ~ x, data=df)
stargazer(model1, title="A Model")  # I'd like to produce a similar table for the model below

ll <- function(params) {
    ## Log likelihood for y ~ x + student's t errors
    params <- as.list(params)
    return(sum(dt((df$y - params$const - params$beta*df$x) / params$scale, df=params$degrees.freedom, log=TRUE) -
               log(params$scale)))
}

model2 <- optim(par=c(const=5, beta=1, scale=3, degrees.freedom=5), lower=c(-Inf, -Inf, 0.1, 0.1),
                fn=ll, method="L-BFGS-B", control=list(fnscale=-1), hessian=TRUE)
model2.coefs <- data.frame(coefficient=names(model2$par), value=as.numeric(model2$par),
                           se=as.numeric(sqrt(diag(solve(-model2$hessian)))))

stargazer(model2.coefs, title="Another Model", summary=FALSE)  # Works, but how can I mimic what stargazer does with lm objects?

更准确地说:对于lm对象,观星者可以很好地在表顶部打印因变量,并在对应估计值下方的括号中包含SE,并在表底部具有R ^ 2和观测值数量。是否有(一种简单的方法)通过最大似然估计的“自定义”模型来获得相同的行为,如上所述?

这是我在将优化输出打扮成lm对象时所做的微不足道的尝试:

model2.lm <- list()  # Mimic an lm object
class(model2.lm) <- c(class(model2.lm), "lm")
model2.lm$rank <- model1$rank  # Problematic?
model2.lm$coefficients <- model2$par
names(model2.lm$coefficients)[1:2] <- names(model1$coefficients)
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
model2.lm$model <- df
model2.lm$terms <- model1$terms  # Problematic?
summary(model2.lm)  # Not working

6
我已经尝试过类似的texreg包装。由于懒惰,我最终改写了不同模型的系数和标准误差,这给了我所需的输出。在您的情况下,您可以例如覆盖的系数和标准误差model1。虽然这不是一个复杂的解决方案,但它应该可以工作。不用说,我很想知道是否有更好的解决方案……
coffeinjunky

1
您可以看一下使用来完成繁重任务的stargazer功能stargazer:::.stargazer.wrap。看起来像一个容器,除了格式化表格的代码外,还具有其他功能。似乎它评估了lm(和glm)的相当多的组件,这使得很难整理您的optim()结果。
andybega 2014年

3
在中texregtexreg使用该createTexreg函数创建一个对象就足够了。您基本上只需交出系数,SE等即可。请参见?createTexreg。所述texreg然后对象可被送入texreghtmlregscreenreg,和plotreg功能。另外,JSS文章的第6节介绍了如何为以后要回收同一模板的新模型类型编写和注册方法。
菲利普·莱菲德

Answers:


2

我只是遇到了这个问题,并通过使用stargazer中的coef seomit功能克服了这个问题。

stargazer(regressions, ...
                     coef = list(... list of coefs...),
                     se = list(... list of standard errors...),
                     omit = c(sequence),
                     covariate.labels = c("new names"),
                     dep.var.labels.include = FALSE,
                     notes.append=FALSE), file="")

1

您需要首先实例化一个虚拟lm对象,然后进行修饰:

#...
model2.lm = lm(y ~ ., data.frame(y=runif(5), beta=runif(5), scale=runif(5), degrees.freedom=runif(5)))
model2.lm$coefficients <- model2$par
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
stargazer(model2.lm, se = list(model2.coefs$se), summary=FALSE, type='text')

# ===============================================
#                         Dependent variable:    
#                     ---------------------------
#                                  y             
# -----------------------------------------------
# const                        10.127***         
#                               (0.680)          
#                                                
# beta                         1.995***          
#                               (0.024)          
#                                                
# scale                        3.836***          
#                               (0.393)          
#                                                
# degrees.freedom              3.682***          
#                               (1.187)          
#                                                
# -----------------------------------------------
# Observations                    200            
# R2                             0.965           
# Adjusted R2                    0.858           
# Residual Std. Error       75.581 (df = 1)      
# F Statistic              9.076 (df = 3; 1)     
# ===============================================
# Note:               *p<0.1; **p<0.05; ***p<0.01

(然后当然要确保其余的摘要统计信息正确无误)


0

我不知道您对使用stargazer有多投入,但是您可以尝试使用broom和xtable软件包,问题是它不会给您优化模型的标准错误

library(broom)
library(xtable)
xtable(tidy(model1))
xtable(tidy(model2))
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.