绘制系数取决于它们的重要性

Question

我试图想象DiD模型的每个变量/组合的重要性。

attach(mtcars)
M=lm(mpg ~ hp + wt * gear , data =mtcars)
summary(M)

coef(M)
confint(M, level = 0.9)

因此，我想创建一个条形图，以按排序顺序列出（大多数）重要系数。 summary(M)命令列出系数和相应的重要性代码。具有高显着性代码（***）的每个系数应首先被监听，然后是**然后是*。点和＆＃39;＆＃39;不应该包括在内。

因此，首先，我如何获得每个系数的相应显着性代码/值。如何根据重要性包含/排除系数？

Answer 1

在回答这个问题之前，我想对其前提部分提出疑问。我认为最好不来根据它们是否落在传统阈值的一边或另一边来进行二分法（trichotomize）效果 - 如果你真的需要这样做，我会建议着色（如下所示）。请，请不要suppose that the difference between 'significant' and 'not significant' is statistically significant ...

## never attach if you can help it! attach(mtcars)
M <- lm(mpg ~ hp + wt * gear , data=mtcars)

coef(summary(M))拉出系数表，这是我们想要使用的。为方便起见，我们也会重新安排它：

efftab <- function(model) {
     ss <- coef(summary(model))
     ss <- data.frame(var=rownames(ss),ss,
          stringsAsFactors=FALSE)  ## add variable names
     rownames(ss) <- NULL ## cosmetic
     ss <-  ss[-1,]  ## generally makes sense to drop the intercept
     names(ss)[5] <- "pval"    ## rename
     ## p-value categories
     ss$pval_cat <- cut(ss$pval,c(0,0.001,0.01,0.05,0.1,1),
                labels=c("***","**","*",".","_"))
     ss <- ss[order(ss$pval),]  ## order by p-value
     ss
}

尝试一下：

print(ss <- efftab(M),digits=3)
##       var Estimate Std..Error t.value    pval pval_cat
## 2      hp  -0.0335    0.00962  -3.486 0.00169       **
## 4    gear   5.3656    2.44437   2.195 0.03693        *
## 5 wt:gear  -1.4791    0.78439  -1.886 0.07013        .
## 3      wt   1.7814    2.76202   0.645 0.52439        _


library("plotrix")
colvec <- c("red","orange","blue","gray","white")

par(las=1,bty="l")
with(ss,plotCI(1:4,Estimate,1.96*Std..Error,pch=23,cex=3,
       pt.bg=colvec[pval_cat],axes=FALSE,xlab="",ylab="estimate"))
axis(side=2)
axis(side=1,at=1:4,ss$var)
abline(h=0,lty=2)

然而，如果我们对变量进行标准化，这将更有意义（参见Schielzeth 2010 生态学与进化中的方法），因此系数大小的差异实际上代表了效果的差异，而不是混淆在效果大小和变量测量单位之间：

scdat <- mtcars
vars <- c("mpg","hp","wt","gear")
scdat[vars] <- scale(as.matrix(scdat[vars]),center=FALSE)
M2 <- update(M,data=scdat)
ss2 <- efftab(M2)
with(ss2,plotCI(1:4,Estimate,1.96*Std..Error,pch=23,cex=3,
       pt.bg=colvec[pval_cat],axes=FALSE,xlab="",ylab="estimate"))
axis(side=2)
axis(side=1,at=1:4,ss$var)
abline(h=0,lty=2)

例如，

• wt:gear交互对mpg的影响与gear大致相同（尽管你需要小心比较交互术语与主效应 - 另一种潜在的蠕虫病毒），即使p <1}。 gear为0.05，wt:gear为p> 0.05。
• hp在mpg上具有最小效果（或者可能与wt的非近似显着效果相关联），即使它具有最小的p值。