与 R 的生存包的 logsum 函数（mlogit 包）类似的功能

Question

我试图使用 R 的 survival 包（clogit 函数）为每个人获取预期的实用程序，但我找不到像 mlogit 的 logsum 这样的简单解决方案。

下面我设置了一个使用mlogit 包的示例。这非常简单：它只需要使用mlogit 函数对变量进行回归，保存输出并将其用作logsum 函数中的参数——如果需要，此vignette 中有一个简短的解释。我想知道clogit 的类似方法。我已经阅读了包装的manual，但我没有掌握执行分析的最合适的功能。

注意 1：我对 mlogit's 之类的函数的偏好与我以后可能需要执行大量回归以及能够在不同场景中执行正确估计的事实有关。

注意 2：我不打算让下面创建的数据集代表数据的行为方式。我只是为了在 logit 回归后执行函数而设置示例。

**

library(survival)
library(mlogit)

#creating a dataset

df_test=data.frame(id=rep(1:20,each=4),
                   choice=rep(c("train","car","plane","boat")),
                   distance=c(rnorm(80)*10),
                   )

f=function(x,y,z) {
    
  v=round(rnorm(x,y,z))
    
    while(sum(v)>1 | sum(v)==0) {
      
      v=round(rnorm(x,y,z))
      
    }
  
return(v)
    
}

result1=c()

for (i in 1:20) {
  
  result=f(4,0.5,0.1)
  
  result1=c(result,result1)
  
}

df_test$distance=ifelse(df_test$distance<0,df_test$distance*-1,df_test$distance)
df_test$price = 0
df_test$price[df_test$choice=="plane"] = rnorm(20, mean = 300, sd=30)
df_test$price[df_test$choice=="car"] = rnorm(20, mean = 50, sd=10)
df_test$price[df_test$choice=="boat"] = rnorm(20, mean = 100, sd=15)
df_test$price[df_test$choice=="train"] = rnorm(20, mean = 120, sd=25)

df_test$choice2=result1
           
mlog=mlogit(choice2 ~ distance + price , data = df_test)

#the function logsum generates expected utility for each individual

logsum(mlog)

#so what would be adequate alternative with survival's clogit? I set an exemple below of
#of what i would like to regress and then perform something like logsum()

clog=clogit(choice2 ~ distance + price + as.factor(choice), strata(id), data = df_test)

**

Answer 1

你提供的小插图说对数和计算如下：

在我看来，这类似于用于构建“线性预测器”的计算。 lp 是t(coef(clog)) %*% Xhat。如果我的解释是正确的，那么它存储在clog-object 中：

 clog["linear.predictor"]

所以你可以采取：

log(sum( exp(clog[["linear.predictors"]]) ))
[1] 4.286592

如果您需要通过df_test$choice 将其隔离，那么（因为clog 的'linear.predictors' 元素的长度与df_test 的'choice' 列的长度相同）它只是： `

 tapply(clog$linear.predictors, df_test$choice, function(x){ 
               log(sum( exp(x) ))})
 #--------------------------------------
    boat      car    plane    train 
2.824502 3.506756 2.825004 1.734258 

如果您需要通过id 聚合它，您可以这样做：

tapply(clog$linear.predictors, df_test$id, function(x){ 
  log(sum( exp(x) ))})

       1        2        3        4        5        6        7        8        9 
1.405896 1.506152 1.454507 1.539060 1.467082 1.428482 1.393582 1.521877 1.480670 
      10       11       12       13       14       15       16       17       18 
1.466490 1.416338 1.500581 1.528075 1.488253 1.398405 1.445014 1.483623 1.404041 
      19       20 
1.460672 1.452709