Извлечение средней модели из MuMIn для вывода латекса
Я пытаюсь извлечь две разные усредненные модели из MuMIn для вывода в латекс через texreg или же stargazer, Я хотел бы иметь одну таблицу, в которой я могу сравнить реакцию двух видов на различные наборы абиотических переменных, которая выглядит так же, как таблица, созданная из двух модельных объектов с использованием
glmtable <- texreg(list(m1, m2).
Приведенный выше код будет работать с объектами glm, но не с объектами усредненных моделей, созданными в MuMIn,
Я попытался, следуя примеру на https://sites.google.com/site/rforfishandwildlifegrads/home/mumin_usage_examples, вывести текстовую таблицу, которую можно вывести в латекс.
Вот воспроизводимый пример с использованием данных цемента:
library(MuMIn)
data(cement)
# full model
fm1 <- lm(y ~ ., data = Cement, na.action = na.fail)
# create and examine candidate models
(ms1 <- dredge(fm1))
# average models with delta AICc <5, include adjusted SE
MA.ests<-model.avg(ms1, subset= delta < 5, revised.var = TRUE)
Это отлично работает. Однако, когда я звоню
MA.ests$avg.model
Я получаю>NULL.
Avg.model устарел? Или есть другой способ сделать это?
Я могу обойти любой из этих трех вызовов, но они не совсем то, что я хочу.
coefTable(MA.ests)
coef(MA.ests)
modavg.table <- as.data.frame(summary(MA.ests)$coefmat)
(то есть я не знаю, как получить эти объекты в латекс без большого количества кода.)
Спасибо заранее за любые предложения.
2 ответа
Последняя версия 1.34.3 texreg Пакет поддерживает оба model.selection а также averaging объекты.
Пример вашего кода:
library("texreg")
library("MuMIn")
data(cement)
fm1 <- lm(y ~ ., data = Cement, na.action = na.fail)
ms1 <- dredge(fm1)
screenreg(ms1)
выходы:
==========================================================================================================================================================================================================
Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9 Model 10 Model 11 Model 12 Model 13 Model 14 Model 15 Model 16
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
(Intercept) 52.58 *** 71.65 *** 48.19 *** 103.10 *** 111.68 *** 203.64 *** 62.41 131.28 *** 72.07 *** 117.57 *** 57.42 *** 94.16 81.48 *** 72.35 *** 110.20 *** 95.42 ***
(2.29) (14.14) (3.91) (2.12) (4.56) (20.65) (70.07) (3.27) (7.38) (5.26) (8.49) (56.63) (4.93) (17.05) (7.95) (4.17)
X1 1.47 *** 1.45 *** 1.70 *** 1.44 *** 1.05 *** 1.55 * 1.87 *** 2.31 *
(0.12) (0.12) (0.20) (0.14) (0.22) (0.74) (0.53) (0.96)
X2 0.66 *** 0.42 * 0.66 *** -0.92 *** 0.51 0.73 *** 0.79 *** 0.31
(0.05) (0.19) (0.04) (0.26) (0.72) (0.12) (0.17) (0.75)
X4 -0.24 -0.61 *** -0.64 *** -1.56 *** -0.14 -0.72 *** -0.74 *** -0.46
(0.17) (0.05) (0.04) (0.24) (0.71) (0.07) (0.15) (0.70)
X3 0.25 -0.41 * -1.45 *** 0.10 -1.20 *** -1.01 *** 0.49 -1.26 *
(0.18) (0.20) (0.15) (0.75) (0.19) (0.29) (0.88) (0.60)
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Log Likelihood -28.16 -26.93 -26.95 -29.82 -27.31 -29.73 -26.92 -35.37 -40.96 -45.87 -46.04 -45.76 -48.21 -48.00 -50.98 -53.17
AICc 69.31 72.44 72.48 72.63 73.19 78.04 79.84 83.74 94.93 100.41 100.74 104.52 105.08 109.01 110.63 111.54
Delta 0.00 3.13 3.16 3.32 3.88 8.73 10.52 14.43 25.62 31.10 31.42 35.21 35.77 39.70 41.31 42.22
Weight 0.57 0.12 0.12 0.11 0.08 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Num. obs. 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13
==========================================================================================================================================================================================================
*** p < 0.001, ** p < 0.01, * p < 0.05
И модель усреднения:
MA.ests <- model.avg(ms1, subset = delta < 5, revised.var = TRUE)
screenreg(MA.ests)
выходы:
=======================
Model 1
-----------------------
(Intercept) 64.69 **
(22.24)
X1 1.46 ***
(0.20)
X2 0.63 ***
(0.12)
X4 -0.48 *
(0.22)
X3 -0.02
(0.38)
-----------------------
Num. obs. 13
=======================
*** p < 0.001, ** p < 0.01, * p < 0.05
Для тонкой настройки смотрите также аргументы двух extract методы на странице справки: ?extract
Если вам не нужна зависимость, вы можете получить значения p непосредственно из итогового объекта:
summary(averagingobject)$coefmat.full
summary(averagingobject)$coefmat.subset