将最大似然估计的系数放入观星表中答案

【问题标题】：Get coefficients estimated by maximum likelihood into a stargazer table将最大似然估计的系数放入观星表中
【发布时间】：2014-02-15 19:05:00
【问题描述】：

Stargazer 为 lm （和其他）对象生成了非常好的乳胶表。假设我已经通过最大似然拟合了一个模型。我希望 stargazer 为我的估计生成一个类似 lm 的表。我该怎么做？

虽然它有点老套，但一种方法可能是创建一个包含我的估计的“假”lm 对象——我认为只要 summary(my.fake.lm.object) 有效，这将有效。这很容易做到吗？

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：使用 lm 对象，stargazer 可以在表格顶部很好地打印因变量，在相应估计值下方的括号中包括 SE，并在表格底部显示 R^2 和观察次数.如上所述，是否有一种（n 简单）方法可以通过最大似然估计的“自定义”模型获得相同的行为？

以下是我将 optim 输出修饰为 lm 对象的微弱尝试：

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

【问题讨论】：

我已经尝试过与texreg 包类似的东西。由于懒惰，我最终覆盖了不同模型的系数和标准误差，这给了我想要的输出。在你的情况下，你可以例如覆盖model1 的系数和标准误。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出现......
您可以使用stargazer:::.stargazer.wrap 来查看执行繁重工作的观星器功能。它看起来像一个容器，除了格式化表格的代码之外，还有许多其他功能。它似乎为lm（和glm）评估了很多组件，这使得你很难修饰你的optim()结果。
在texreg 中，使用createTexreg 函数创建一个texreg 对象就足够了。您基本上只需交出系数、SE 等。请参阅?createTexreg。然后可以将texreg 对象输入texreg、htmlreg、screenreg 和plotreg 函数。或者，JSS 文章的第 6 节描述了如何为新模型类型编写和注册方法，以防您以后想要回收相同的模板。

标签： r optimization lm stargazer

【解决方案1】：

我不知道您对使用 stargazer 的承诺程度，但您可以尝试使用 broom 和 xtable 包，问题是它不会为您提供优化模型的标准错误

library(broom)
library(xtable)
xtable(tidy(model1))
xtable(tidy(model2))

【讨论】：

【解决方案2】：

我刚刚遇到这个问题，并通过使用 stargazer 中的 coef se 和 omit 函数克服了这个问题......例如

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="")

【讨论】：

【解决方案3】：

您需要先实例化一个虚拟的lm 对象，然后对其进行修饰：

#...
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

（然后当然要确保剩余的汇总统计信息正确）

【讨论】：