Как анализировать данные панели в R с помощью логистической регрессии (glmmML)?

Question

В настоящее время я провожу исследование вероятности ухода генерального директора из компании (бинарная переменная ="1", если она оставлена). Мои данные представляют собой несбалансированные панельные данные для 50 компаний, в которых 51 человек в период 2013-2015 годов.

Я пытался запустить две модели регрессии (фиксированные и случайные эффекты), используя glmmML пакет. Тем не менее, я получаю следующее предупреждение:

pdata <- plm.data(ceodata, index=c("id","year"))
fixed <- glmmboot(left ~ age+tenure+boardappr+ROE, 
   family=binomial(link="logit"), data=pdata, cluster=id)
    Warning messages: 
 1: In model.response(mf, "numeric") : using type = "numeric" with a factor response will be ignored
 2: In glmmbootFit(X, Y, weights, start.coef, cluster, offset, family,  :[glmmboot:] Information non-positive definite. No variance!
 3: In Ops.factor(Y, res$fitted) : ‘/’ not meaningful for factors
 4: In Ops.factor(Y, log(ifelse(Y == 0, 1, Y/res$fitted))) ‘*’ not meaningful for factors
 5: In Ops.factor(1, Y) : ‘-’ not meaningful for factors
 6: In Ops.factor(1, Y) : ‘-’ not meaningful for factors

Когда я меняю набор переменных, я получаю одинаковые предупреждения и бессмысленные результаты регрессии. Мне было интересно, если я делаю что-то не так или есть проблема с данными, которые я использую? Возможно, кто-то может поделиться кодом для запуска моделей с фиксированными и случайными эффектами, а также с помощью теста Хаусмана для логистической регрессии?

PS Данные, которые я использую, выглядят так:

Answer 1

Проксимальная проблема здесь в том, что (в отличие от glm в базе R и моделях, копирующих ее шаблон) glmmML не допускает категориальных переменных в качестве ответов. предположительно

pdata <- transform(pdata,left=as.numeric(left)-1)

(в данном конкретном случае as.numeric(as.character(left)) даст те же результаты...) поможет с этим: он переведет первый уровень фактора в 0, а второй в 1.

Я не знаю много о glmmML: Я дал здесь ответ, показывающий, как реализовать тест Хаусмана для моделей, оснащенных stats::glm а также lme4::glmer...