在svyglm和glm中使用权重

我想知道权重的处理之间的区别svyglm和glm

我正在twangR中使用软件包创建倾向得分，然后将其用作权重，如下所示（此代码来自twang文档）：

library(twang)
library(survey)
set.seed(1)

data(lalonde)

ps.lalonde <- ps(treat ~ age + educ + black + hispan + nodegree + married + re74 + re75,
 data = lalonde)

lalonde$w <- get.weights(ps.lalonde, stop.method="es.mean")
design.ps <- svydesign(ids=~1, weights=~w, data=lalonde)

glm1 <- svyglm(re78 ~ treat, design=design.ps)

summary(glm1)

...
Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   6685.2      374.4  17.853   <2e-16 ***
treat         -432.4      753.0  -0.574    0.566    

比较一下：

glm11 <- glm(re78 ~ treat, weights=w , data=lalonde)
summary(glm11)

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   6685.2      362.5  18.441   <2e-16 ***
treat         -432.4      586.1  -0.738    0.461  

因此，参数估计值相同，但处理的标准误却大不相同。

svyglm和之间的重量处理glm有何不同？

有很多不同种类的权重，它们会使人感到困惑。当您使用不同的功能或软件时，您必须非常小心，以为您认为自己正在使用的权重。

svyglm函数使用调查权重-这些权重权衡每个案例的重要性，以使其具有代表性（在twang之后彼此相对）。我不确定glm（）中的权重是多少-我认为它们代表度量的准确性。（如果您使用的是二项式族，则它们具有不同的含义）。

测量权重（以Surveyglm为单位）是您想要的权重，以便为您提供正确的标准误差。

（还有频率权重，分析权重和重要性权重）。

survey考虑到采样权重引起的精度损失，计算标准误差。权重glm仅调整最小二乘估计中误差的权重，因此标准误差不正确。以下是Lumley（2010）的精选：

在基于模型的分析中，有必要正确指定模型的随机部分以获取正确的标准误差，但是我们所有的标准误差估计值都是基于设计的，因此无论模型如何均有效。值得注意的是，有时在基于模型的回归分析中使用的“三明治”或“模型稳健”或“异方差一致性”标准误差与我们将使用的基于设计的标准误差几乎相同；主要区别在于分层的处理。

因此，在您的设计中没有层次，您可能会发现使用sandwich会获得相同或接近相同的SE估计值。

library(sandwich)
coefs <- vcovHC(glm11, type="HC0")
lmtest::coeftest(glm11,coefs)

在我的测试中，使用“ HC0”或“ HC1”时它们并没有精确计算出来，但是非常接近。svyglm现在也报告了一个z值而不是t值。