R 程式設計/估計工具

此頁面介紹了大多數估計命令中可用的方法。這對各種迴歸模型都很有用。

公式

大多數估計命令使用公式介面。結果在 ~ 的左側，協變數在右側。

y ~ x1 + x2

在模型中輕鬆包含多項式變數作為預測變數。如果該變數還不是一個因子，只需使用 as.factor() 函式。這將建立一個虛擬變數集。

y ~ as.factor(x)

例如，我們可以使用 Ecdat 包中的 Star 資料

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

I() 按原樣接受引數。例如，如果你想在你的方程中包含一個修改後的變數，比如平方項或兩個變數的加和，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 * 可以輕鬆地包含變數之間的互動作用。: 新增所有互動作用項，而 * 新增互動作用項和單獨項。

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

還可以使用 poly() 函式生成多項式，並將選項設定為 raw = TRUE。

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

還存在一個高階公式介面，它對工具變數模型和混合模型很有用。例如，ivreg() (AER) 使用這個高階公式介面。工具變數在 | 後輸入。如果你想了解更多資訊，請參閱 工具變數 部分。

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

輸出

除了summary() 和 print() 函式可以顯示大多數估計命令的輸出外，一些作者還開發了簡化的輸出函式。其中之一是arm 包中的 display() 函式。另一個是arm 包中的 coefplot()，它可以將係數及其置信區間繪製成圖表。根據Nathaniel Beck定義的標準，Jeff Gill 開發了 graph.summary()。該命令不會顯示無用的輔助統計資訊。

R 程式碼	輸出
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

• 如果您想了解引數變換的標準誤，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：偽引導方法

Zelig 是一款後估計包，它可以模擬估計引數的分佈，並計算感興趣的數量，例如邊際效應或預測機率。這對於非線性模型尤其有用。Zelig 帶有一組vignette，解釋瞭如何處理每種模型。有三個命令。

• zelig() 估計模型並從估計引數的分佈中抽樣。
• setx() 固定解釋變數的值。
• sim() 計算感興趣的數量。