我尝试从MuMIn提取两个不同的平均模型，以便通过texreg或stargazer输出到乳胶。我想要一张桌子，我可以比较两个物种＆＃39;对不同的非生物变量集的响应，看起来与使用
glmtable <- texreg(list(m1, m2).
以上代码适用于glm对象，但不适用于MuMIn中创建的平均模型对象。
我尝试在https://sites.google.com/site/rforfishandwildlifegrads/home/mumin_usage_examples上跟随一个示例，输出一个可以输出到latex的文本表。
这是使用水泥数据的可重现的例子：
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)
这很好用。但是当我打电话时
MA.ests$avg.model
我得到＆gt; NULL。
avg.model已被弃用吗？或者还有另一种方法吗？
我可以使用这三个电话中的任何一个进行解决方法，但它们并不完全是我想要的。
coefTable(MA.ests)
coef(MA.ests)
modavg.table <- as.data.frame(summary(MA.ests)$coefmat)
（也就是说，我不知道如何在没有更多代码的情况下将这些对象变成乳胶。）
提前感谢任何建议。
答案 0 :(得分：0)
texreg包的latest version 1.34.3支持model.selection和averaging个对象。
您的代码示例：
library("texreg")
library("MuMIn")
data(cement)
fm1 <- lm(y ~ ., data = Cement, na.action = na.fail)
ms1 <- dredge(fm1)
screenreg(ms1)
的产率：
==========================================================================================================================================================================================================
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
模型平均值：
MA.ests <- model.avg(ms1, subset = delta < 5, revised.var = TRUE)
screenreg(MA.ests)
的产率：
=======================
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
有关微调，请参阅帮助页面上两个extract方法的参数：?extract
答案 1 :(得分：0)
如果您不想要依赖关系，可以直接从摘要对象中获取p值：
summary(averagingobject)$coefmat.full
summary(averagingobject)$coefmat.subset