如何为多元多元回归模型（多个因变量）创建发布表？答案

【问题标题】：How do I create a publication Table for multivariate multiple regression models (multiple dependent variables)?如何为多元多元回归模型（多个因变量）创建发布表？
【发布时间】：2021-12-02 01:12:46
【问题描述】：

我通过将多个因变量与 lm() 中的 cbind() 组合来运行一些多元多元回归模型：

dv1 <- rnorm(15)
dv2 <- rnorm(15)
dv3 <- rnorm(15)
iv1 <- rnorm(15)
iv2 <- rnorm(15)

m1 <- lm(cbind(dv1, dv2, dv3) ~ iv1 + iv2)

我的模型需要一个经典的发布表，上面有重要的星星等，通常会使用 stargazer。我认为它给了我一个错误消息，因为有多个 DV。

library(stargazer)
stargazer(mmr1, type = "html")

错误是： “ if (.global.coefficient.variables[i] %in% .global.intercept.strings) { 中的错误：参数长度为零”

包更新到最新版本（这解决了另一个问题中类似的观星错误），如果我只使用一个因变量运行相同的模型，我不会收到错误消息。

我找不到任何专门针对在发布表中绘制多元回归结果的线程，只有多个回归模型。

有人可以在这里给我小费吗？哪个函数适用于提供类似于观星者的发布表的多元模型？

【问题讨论】：

请阅读(1)我如何提出一个好的问题，(2)如何创建 MCVE 以及(3)如何在 R 中提供一个最小的可重现示例。然后编辑和改进你的相应地提问。即，从你的实际问题中抽象出来......

标签： r regression stargazer multivariate-testing

【解决方案1】：

考虑单独运行这三个模型，稍后在 stargazer 命令中将它们组合起来。

m1 <- lm(dv1 ~ iv1 + iv2)  
m2 <- lm(dv2 ~ iv1 + iv2) 
m3 <- lm(dv3 ~ iv1 + iv2) 
stargazer(m1,m2,m3, type = "html")

使用“文本”选项时的示例输出：

===========================================================
                                   Dependent variable:     
                              -----------------------------
                                 dv1       dv2       dv3   
                                 (1)       (2)       (3)   
-----------------------------------------------------------
iv1                            -0.135    -0.230     0.104  
                               (0.352)   (0.366)   (0.521) 
                                                           
iv2                             0.198    -0.079     0.392  
                               (0.322)   (0.335)   (0.477) 
                                                           
Constant                       -0.306    -0.192    -0.394  
                               (0.212)   (0.220)   (0.314) 
                                                           
-----------------------------------------------------------
Observations                     15        15        15    
R2                              0.062     0.032     0.054  
Adjusted R2                    -0.094    -0.129    -0.103  
Residual Std. Error (df = 12)   0.810     0.842     1.199  
F Statistic (df = 2; 12)        0.399     0.198     0.344  
===========================================================
Note:                           *p<0.1; **p<0.05; ***p<0.01

【讨论】：

嗨帕斯卡，非常感谢您的回答！但是，如果我这样做，我不会考虑因变量之间的相互关系，我试图通过运行多元多元回归来做到这一点......你知道任何解决方案仍然考虑因变量之间的相互关系吗？
我不确定我是否理解正确。我的回答为您提供了一种方法来使用 stargazer 来总结您建议的模型 'm1 stats.stackexchange.com 上提问。
我的错 - 我把东西弄混了 - 你是对的，它们是相同的！非常感谢！
好的。欢迎。也许接受我的回答或投赞成票。