R：如何为多项式 logit 格式化我的数据？

Question

我正在 R 上复制一些 Stata 代码，我想使用同名包中的 mlogit 函数执行多项逻辑回归（我知道 nnet 中有一个 multinom 函数但我不想使用这个）。

我的问题是，要使用mlogit，我需要使用mlogit.data 格式化我的数据，但我不知道如何正确格式化它。将我的数据与文档中的示例和 this question 中使用的数据进行比较，我意识到它的形式不同。

确实，我使用的数据是这样的：

df <- data.frame(ID = seq(1, 10),
                 type = c(2, 3, 4, 2, 1, 1, 4, 1, 3, 2),
                 age = c(28, 31, 12, 1, 49, 80, 36, 53, 22, 10),
                 dum1 = c(1, 0, 0, 0, 0, 1, 0, 1, 1, 0),
                 dum2 = c(1, 0, 1, 1, 0, 0, 1, 0, 1, 0))

   ID type age dum1 dum2
1   1    2  28    1    1
2   2    3  31    0    0
3   3    4  12    0    1
4   4    2   1    0    1
5   5    1  49    0    0
6   6    1  80    1    0
7   7    4  36    0    1
8   8    1  53    1    0
9   9    3  22    1    1
10 10    2  10    0    0

而他们使用的数据是这样的：

         key altkey    A      B   C D
1  201005131      1  2.6 118.17 117 0
2  201005131      2  1.4 117.11 115 0
3  201005131      3  1.1 117.38 122 1
4  201005131      4 24.6     NA 122 0
5  201005131      5 48.6  91.90 122 0
6  201005131      6 59.8     NA 122 0
7  201005132      1 20.2 118.23 113 0
8  201005132      2  2.5 123.67 120 1
9  201005132      3  7.4 116.30 120 0
10 201005132      4  2.8 118.86 120 0
11 201005132      5  6.9 124.72 120 0
12 201005132      6  2.5 123.81 120 0

如您所见，在他们的案例中，有一列 altkey 详细说明了每个 key 的每个类别，还有一列 D 显示该人选择了哪个选项。

但是，我只有一列 (type) 显示了个人的选择，但没有显示其他选项或每个选项的其他变量的值。当我尝试申请mlogit 时，我有：

library(mlogit)
mlogit(type ~ age + dum1 + dum2, df)

data.frame(lapply(index, function(x) x[drop = TRUE]), row.names = rownames(mydata)) 中的错误： 提供的行名长度错误

因此，我如何格式化我的数据以使其符合mlogit 要求的数据类型？

编辑：按照@edsandorf 的建议，我修改了我的数据框并且mlogit.data 有效，但现在所有其他解释变量对于每个备选方案都具有相同的值。我应该在所选替代项为 0 或 FALSE 的行中将这些变量设置为 0 吗？ （事实上​​，有人可以告诉我从我所在的位置到mlogit 的结果的过程，因为我没有得到估计错误的地方吗？）

我在这里显示的数据 (df) 不是我的真实数据。但是，它是完全相同的形式：带有选择项 (type) 的列、带有虚拟变量和年龄的列等。

这是我到目前为止所做的程序（我没有将替代项设置为 0）：

# create a dataframe with all alternatives for each ID
qqch <- data.frame(ID = rep(df$ID, each = 4),
                   choice = rep(1:4, 10))

# merge both dataframes
df2 <- dplyr::left_join(qqch, df, by = "ID")

# change the values in stype by 1 or 0
for (i in 1:length(df2$ID)){
  df2[i, "type"] <- ifelse(df2[i, "type"] == df2[i, "choice"], 1, 0)
}

# format for mlogit
df3 <- mlogit.data(df2, choice = "type", shape = "long", alt.var = "choice")
head(df3)

    ID choice  type age dum1 dum2
1.1  1      1 FALSE  28    1    1
1.2  1      2  TRUE  28    1    1
1.3  1      3 FALSE  28    1    1
1.4  1      4 FALSE  28    1    1
2.1  2      1 FALSE  31    0    0
2.2  2      2 FALSE  31    0    0

如果我这样做：

mlogit(type ~ age + dum1 + dum2, df3)

我有错误：

solve.default(H, g[!fixed]) 中的错误：系统在计算上是奇异的：倒数条件数

Answer 1

除非我们做出更多假设，否则您的数据不适合使用 MNL 模型进行估计。通常，由于您的所有变量都是个体特定的，并且不会因备选方案（类型）而异，因此无法识别模型。除非我们将它们视为替代特定特征，否则您的所有个人特定特征都将消失。听上去，每个专业课程本身就具有意义。在这种情况下，我们可以仅使用常数来估计 MNL 模型，其中常数捕获了有关程序的所有内容，使个人选择它。

library(mlogit)
df <- data.frame(ID = seq(1, 10),
                 type = c(2, 3, 4, 2, 1, 1, 4, 1, 3, 2),
                 age = c(28, 31, 12, 1, 49, 80, 36, 53, 22, 10),
                 dum1 = c(1, 0, 0, 0, 0, 1, 0, 1, 1, 0),
                 dum2 = c(1, 0, 1, 1, 0, 0, 1, 0, 1, 0))

现在，为了安全起见，我为每个程序创建了虚拟变量。 type_1 指程序 1，type_2 指程序 2 等等。

qqch <- data.frame(ID = rep(df$ID, each = 4),
                   choice = rep(1:4, 10))

# merge both dataframes
df2 <- dplyr::left_join(qqch, df, by = "ID")

# change the values in stype by 1 or 0
for (i in 1:length(df2$ID)){
  df2[i, "type"] <- ifelse(df2[i, "type"] == df2[i, "choice"], 1, 0)
}

# Add alternative specific variables (here only constants)
df2$type_1 <- ifelse(df2$choice == 1, 1, 0)
df2$type_2 <- ifelse(df2$choice == 2, 1, 0)
df2$type_3 <- ifelse(df2$choice == 3, 1, 0)
df2$type_4 <- ifelse(df2$choice == 4, 1, 0)

# format for mlogit
df3 <- mlogit.data(df2, choice = "type", shape = "long", alt.var = "choice")
head(df3)

现在我们可以运行模型了。我包括了每个备选方案的假人，将备选方案 4 作为我的参考水平。仅标识了 J-1 个常数，其中 J 是备选方案的数量。在公式的后半部分（在管道运算符之后），我确保删除模型将创建的所有替代特定常量，并添加您的个人特定变量，将它们视为替代特定变量。请注意，这仅在您的替代方案（程序）具有意义且不是通用的情况下才有意义。

model <- mlogit(type ~ type_1 + type_2 + type_3 | -1 + age + dum1 + dum2,
                reflevel = 4, data = df3)
summary(model)