R 编程/估计工具

此页面介绍了大多数估计命令中可用的方法。这对各种回归模型都很有用。

公式

大多数估计命令使用公式界面。结果在 ~ 的左侧，协变量在右侧。

y ~ x1 + x2

在模型中轻松包含多项式变量作为预测变量。如果该变量还不是一个因子，只需使用 as.factor() 函数。这将创建一个虚拟变量集。

y ~ as.factor(x)

例如，我们可以使用 Ecdat 包中的 Star 数据

library("Ecdat")
data(Star)
summary(lm(tmathssk ~ as.factor(classk), data = Star))

I() 按原样接受参数。例如，如果你想在你的方程中包含一个修改后的变量，比如平方项或两个变量的加和，可以使用 I()。

lm(y ~ x1 + I(x1^2) + x2)
lm(y ~ I(x1 + x2))
lm(I(y-100) ~ I(x1-100) + I(x2 - 100))

使用 : 或 * 可以轻松地包含变量之间的交互作用。: 添加所有交互作用项，而 * 添加交互作用项和单独项。

lm(y~x1:x2) # interaction term only
lm(y~x1*x2) # interaction and individual terms

还可以使用 poly() 函数生成多项式，并将选项设置为 raw = TRUE。

lm(y ~ poly(x, degree = 3, raw = TRUE))

还存在一个高级公式界面，它对工具变量模型和混合模型很有用。例如，ivreg() (AER) 使用这个高级公式界面。工具变量在 | 后输入。如果你想了解更多信息，请参阅 工具变量 部分。

library("AER")
ivreg(y ~ x | z)

输出

除了summary() 和 print() 函数可以显示大多数估计命令的输出外，一些作者还开发了简化的输出函数。其中之一是arm 包中的 display() 函数。另一个是arm 包中的 coefplot()，它可以将系数及其置信区间绘制成图表。根据Nathaniel Beck定义的标准，Jeff Gill 开发了 graph.summary()。该命令不会显示无用的辅助统计信息。

R 代码	输出
source("http://artsci.wustl.edu/~jgill/Models/graph.summary.R") N <- 1000 u <- rnorm(N) x1 <- 1 + rnorm(N) x2 <- 1 + rnorm(N) + x1 y <- 1 + x1 + x2 + u graph.summary(lm(y ~ x1 + x2))	Family: gaussian Link function: identity Coef Std.Err. 0.95 Lower 0.95 Upper CIs:ZE+RO (Intercept) 0.980 0.056 0.871 1.089 |o| x1 1.040 0.043 0.955 1.125 |o| x2 0.984 0.031 0.923 1.045 |o| N: 1000 Estimate of Sigma: 0.998
library("arm") display(lm(y ~ x1 + x2))	lm(formula = y ~ x1 + x2) coef.est coef.se (Intercept) 0.89 0.05 x1 1.05 0.04 x2 1.02 0.03 --- n = 1000, k = 3 residual sd = 0.96, R-Squared = 0.86

Delta 方法

• 如果您想了解参数变换的标准误，您需要使用Delta 方法
• msm 包中的 deltamethod()。
• alr3 包中的 delta.method()。
• car 包中的 deltaMethod。

Zelig：伪引导方法

Zelig 是一款后估计包，它可以模拟估计参数的分布，并计算感兴趣的数量，例如边际效应或预测概率。这对于非线性模型尤其有用。Zelig 带有一组vignette，解释了如何处理每种模型。有三个命令。

• zelig() 估计模型并从估计参数的分布中抽样。
• setx() 固定解释变量的值。
• sim() 计算感兴趣的数量。