Han*_*Han 3 r ordinal mixed-models stargazer texreg
在得到@PhilipLeifeld 的建议后，我正在根据自己的进展重写这篇文章（请参阅下面的评论部分）。
我尝试clmm使用texreg. 由于该包不支持clmm其默认模式，因此我尝试使用功能扩展该包（请参阅Print“beautiful”tables for h2o models in Rextract上的答案部分）。同时，我发现https://gist.github.com/kjgarza/340201f6564ca941fe25上发布的代码可以作为我的起点；我将该代码称为下面的基线代码。以下模型（结果）几乎代表了我的实际代码。
library(ordinal)
library(texreg)
d<-data.frame(wine)
result<-clmm(rating~ 1+temp+contact+(1+temp|judge), data=d)
我想在乳胶表中显示的是随机效应组件，它们在基线代码中被省略。以下是摘要输出的一部分。
summary(result)
Random effects:
Groups Name Variance Std.Dev. Corr
judge (Intercept) 1.15608 1.0752
tempwarm 0.02801 0.1674 0.649
Number of groups: judge 9
具体来说，我想显示方差（和组数）；我不需要相关部分。在处理基线代码时，我还了解到“texreg”仅允许乳胶显示的有限参数集，并且“include.variance”选项与我的目标相关。因此，我尝试将随机效应组件添加到“gof”参数中，以在基线代码中包含“include.variance”选项。
这是我所做的。首先，我将“include.variance”添加到定义 extract.clmm 函数的部分。
extract.clmm <- function(model, include.thresholds = TRUE, include.aic = TRUE,
include.bic = TRUE, include.loglik = TRUE, include.variance = TRUE, oddsratios = TRUE, conf.level= 0.95, include.nobs = TRUE, ...) {
s <- summary(model, ...)
tab <- s$coefficients
thresh <- tab[rownames(tab) %in% names(s$alpha), ]
threshold.names <- rownames(thresh)
threshold.coef <- thresh[, 1]
threshold.se <- thresh[, 2]
threshold.pval <- thresh[, 4]
beta <- tab[rownames(tab) %in% names(s$beta), ]
beta.names <- rownames(beta)
beta.coef <- beta[, 1]
beta.se <- beta[, 2]
beta.pval <- beta[, 4]
然后，我添加了以下三行。
### for random effect components###
rand<-s$ST[[1]]
rand.names<-rownames(rand)
rand.var<-rand[,1]
以下部分是我另外包含在基线代码中的部分（“include.variance”）。
if (include.variance == TRUE) {
gof.names <- c(gof.names, rand.names)
gof <- c(gof, rand)
gof.decimal <- c(gof.decimal, TRUE)
}
运行 extract.clmm 函数后，我运行了以下命令。
test<-extract.clmm(result, include.variance=TRUE, oddsratios=FALSE)
然后，我收到一条错误消息：ValidityMethod(object) 中的错误：gof.names 和 gof 必须具有相同的长度！虽然我发现在“result”的情况下“rand”和“rand.names”的长度是4和2，但我不知道如何处理这个问题。任何评论将不胜感激。提前致谢。
让我们首先重写您的测试用例，使其包含具有随机效应的模型 ( clmm) 和不具有随机效应的模型 ( clm)，两者都来自ordinal包。这将使我们能够检查extract.clmm我们要编写的函数是否产生格式与包extract.clm中现有函数兼容的结果texreg：
library("ordinal")
library("texreg")
d <- data.frame(wine)
result.clmm <- clmm(rating ~ 1 + temp + contact + (1 + temp|judge), data = d)
result.clm <- clm(rating ~ 1 + temp + contact, data = d)
clm泛型extract函数的现有方法texreg如下所示，我们将能够使用它作为编写clmm方法的模板，因为两种对象类型的结构都类似：
# extension for clm objects (ordinal package)
extract.clm <- function(model, include.thresholds = TRUE, include.aic = TRUE,
include.bic = TRUE, include.loglik = TRUE, include.nobs = TRUE, ...) {
s <- summary(model, ...)
tab <- s$coefficients
thresh <- tab[rownames(tab) %in% names(s$aliased$alpha), , drop = FALSE]
threshold.names <- rownames(thresh)
threshold.coef <- thresh[, 1]
threshold.se <- thresh[, 2]
threshold.pval <- thresh[, 4]
beta <- tab[rownames(tab) %in% names(s$aliased$beta), , drop = FALSE]
beta.names <- rownames(beta)
beta.coef <- beta[, 1]
beta.se <- beta[, 2]
beta.pval <- beta[, 4]
if (include.thresholds == TRUE) {
names <- c(beta.names, threshold.names)
coef <- c(beta.coef, threshold.coef)
se <- c(beta.se, threshold.se)
pval <- c(beta.pval, threshold.pval)
} else {
names <- beta.names
coef <- beta.coef
se <- beta.se
pval <- beta.pval
}
n <- nobs(model)
lik <- logLik(model)[1]
aic <- AIC(model)
bic <- BIC(model)
gof <- numeric()
gof.names <- character()
gof.decimal <- logical()
if (include.aic == TRUE) {
gof <- c(gof, aic)
gof.names <- c(gof.names, "AIC")
gof.decimal <- c(gof.decimal, TRUE)
}
if (include.bic == TRUE) {
gof <- c(gof, bic)
gof.names <- c(gof.names, "BIC")
gof.decimal <- c(gof.decimal, TRUE)
}
if (include.loglik == TRUE) {
gof <- c(gof, lik)
gof.names <- c(gof.names, "Log Likelihood")
gof.decimal <- c(gof.decimal, TRUE)
}
if (include.nobs == TRUE) {
gof <- c(gof, n)
gof.names <- c(gof.names, "Num.\ obs.")
gof.decimal <- c(gof.decimal, FALSE)
}
tr <- createTexreg(
coef.names = names,
coef = coef,
se = se,
pvalues = pval,
gof.names = gof.names,
gof = gof,
gof.decimal = gof.decimal
)
return(tr)
}
setMethod("extract", signature = className("clm", "ordinal"),
definition = extract.clm)
对象的第一个区别clmm是系数等不存储在summary(model)$aliased$alpha和下summary(model)$aliased$beta，而是直接存储在summary(model)$alpha和下summary(model)$beta。
我们需要做的第二件事是为组数和随机方差添加拟合优度元素。
组数显然存储在 下summary(model)$dims$nlev.gf，其中包含不同条件变量的多个条目。所以这很容易。
随机方差不存储在任何地方，因此我们需要在包的源代码ordinal中查找它。我们可以看到该print.summary.clmm函数使用了一个内部辅助函数来formatVC打印方差。该函数包含在同一R脚本中，基本上只是进行格式化并调用另一个内部辅助函数varcov（也包含在同一文件中）来计算方差。该函数依次计算 的转置叉积model$ST以获得方差。我们可以简单地直接在函数的 GOF 块中执行相同的操作extract.clmm，例如，用于diag(s$ST[[1]] %*% t(s$ST[[1]]))第一个随机效果。我们只需要确保对所有随机效果都这样做，这意味着我们需要将其放入循环中并替换[[1]]为像 这样的迭代器[[i]]。
clmm该函数的最终方法extract可能如下所示：
# extension for clmm objects (ordinal package)
extract.clmm <- function(model, include.thresholds = TRUE,
include.loglik = TRUE, include.aic = TRUE, include.bic = TRUE,
include.nobs = TRUE, include.groups = TRUE, include.variance = TRUE, ...) {
s <- summary(model, ...)
tab <- s$coefficients
thresh <- tab[rownames(tab) %in% names(s$alpha), ]
threshold.names <- rownames(thresh)
threshold.coef <- thresh[, 1]
threshold.se <- thresh[, 2]
threshold.pval <- thresh[, 4]
beta <- tab[rownames(tab) %in% names(s$beta), ]
beta.names <- rownames(beta)
beta.coef <- beta[, 1]
beta.se <- beta[, 2]
beta.pval <- beta[, 4]
if (include.thresholds == TRUE) {
cfnames <- c(beta.names, threshold.names)
coef <- c(beta.coef, threshold.coef)
se <- c(beta.se, threshold.se)
pval <- c(beta.pval, threshold.pval)
} else {
cfnames <- beta.names
coef <- beta.coef
se <- beta.se
pval <- beta.pval
}
gof <- numeric()
gof.names <- character()
gof.decimal <- logical()
if (include.loglik == TRUE) {
lik <- logLik(model)[1]
gof <- c(gof, lik)
gof.names <- c(gof.names, "Log Likelihood")
gof.decimal <- c(gof.decimal, TRUE)
}
if (include.aic == TRUE) {
aic <- AIC(model)
gof <- c(gof, aic)
gof.names <- c(gof.names, "AIC")
gof.decimal <- c(gof.decimal, TRUE)
}
if (include.bic == TRUE) {
bic <- BIC(model)
gof <- c(gof, bic)
gof.names <- c(gof.names, "BIC")
gof.decimal <- c(gof.decimal, TRUE)
}
if (include.nobs == TRUE) {
n <- nobs(model)
gof <- c(gof, n)
gof.names <- c(gof.names, "Num.\ obs.")
gof.decimal <- c(gof.decimal, FALSE)
}
if (include.groups == TRUE) {
grp <- s$dims$nlev.gf
grp.names <- paste0("Groups (", names(grp), ")")
gof <- c(gof, grp)
gof.names <- c(gof.names, grp.names)
gof.decimal <- c(gof.decimal, rep(FALSE, length(grp)))
}
if (include.variance == TRUE) {
var.names <- character()
var.values <- numeric()
for (i in 1:length(s$ST)) {
variances <- diag(s$ST[[i]] %*% t(s$ST[[i]]))
var.names <- c(var.names, paste0("Variance: ", names(s$ST)[[i]], ": ",
names(variances)))
var.values <- c(var.values, variances)
}
gof <- c(gof, var.values)
gof.names <- c(gof.names, var.names)
gof.decimal <- c(gof.decimal, rep(TRUE, length(var.values)))
}
tr <- createTexreg(
coef.names = cfnames,
coef = coef,
se = se,
pvalues = pval,
gof.names = gof.names,
gof = gof,
gof.decimal = gof.decimal
)
return(tr)
}
setMethod("extract", signature = className("clmm", "ordinal"),
definition = extract.clmm)
您可以在运行时执行代码，并且texreg应该能够从clmm对象创建表，包括随机方差。我会将这段代码添加到下一个texreg版本中。
您可以将其应用到您的示例中，如下所示：
screenreg(list(result.clmm, result.clm), single.row = TRUE)
结果是跨对象兼容的clmm，clm正如您在输出中看到的那样：
==================================================================
Model 1 Model 2
------------------------------------------------------------------
tempwarm 3.07 (0.61) *** 2.50 (0.53) ***
contactyes 1.83 (0.52) *** 1.53 (0.48) **
1|2 -1.60 (0.69) * -1.34 (0.52) **
2|3 1.50 (0.60) * 1.25 (0.44) **
3|4 4.22 (0.82) *** 3.47 (0.60) ***
4|5 6.11 (1.02) *** 5.01 (0.73) ***
------------------------------------------------------------------
Log Likelihood -81.55 -86.49
AIC 181.09 184.98
BIC 201.58 198.64
Num. obs. 72 72
Groups (judge) 9
Variance: judge: (Intercept) 1.16
Variance: judge: tempwarm 0.03
==================================================================
*** p < 0.001, ** p < 0.01, * p < 0.05
如果需要，您可以使用参数include.variances == FALSE和include.groups == FALSE来关闭差异和组大小的报告。