Question

我试图使用R估算面板数据的逻辑单元固定效应模型。我的因变量是二元的，每两年测量13个位置。此模型的目标是基于x预测特定日期和位置的y值。

zero <- seq(from=0, to=1, by=1)
ids = dplyr::data_frame(location=seq(from=1, to=13, by=1))
dates = dplyr::data_frame(date = seq(as.Date("2015-01-01"), as.Date("2016-12-31"), by="days"))
data = merge(dates, ids)
data$y <- sample(zero, size=9503, replace=TRUE)
data$x <- sample(zero, size=9503, replace=TRUE)

在调查可用的软件包时，我已经阅读了很多方法（显然）这样做，但我并不相信我已经理解了软件包和方法之间的差异。

根据我到目前为止所读到的内容，glm()，survival::clogit()和pglm::pglm()可用于执行此操作，但我想知道这些包之间是否存在实质性差异那些可能是什么以下是我使用过的电话： fixed <- glm(y ~ x + factor(location), data=data) fixed <- clogit(y ~ x + strata(location), data=data)

这种不安全的原因之一是我在使用pglm时遇到的错误（另请参阅this question）pglm无法使用＆＃34;＆＃34;模型： fixed <- pglm(y ~ x, data=data, index=c("location", "date"), model="within", family=binomial("logit"))。

＆＃34;内部＆＃34;区别于什么？来自glm()和clogit()中的方法的pglm模型，以及在尝试预测给定日期和单位的y时，这三个中哪一个是正确的？

Answer 1

我没有看到您已经定义了一个正确的假设，可以在您调用的内容和面板数据的范围内进行测试，但只要让glm给出估算值对于层内的逻辑系数，可以通过添加family =＆＃34;二项式＆＃34;并由你的＆＃34;单位＆＃34;分层变量：

> fixed <- glm(y ~ x + strata(unit), data=data, family="binomial")
> fixed

Call:  glm(formula = y ~ x + strata(unit), family = "binomial", data = data)

Coefficients:
        (Intercept)                    x   strata(unit)unit=2   strata(unit)unit=3  
            0.10287             -0.05910             -0.08302             -0.03020  
 strata(unit)unit=4   strata(unit)unit=5   strata(unit)unit=6   strata(unit)unit=7  
           -0.06876             -0.05042             -0.10200             -0.09871  
 strata(unit)unit=8   strata(unit)unit=9  strata(unit)unit=10  strata(unit)unit=11  
           -0.09702              0.02742             -0.13246             -0.04816  
strata(unit)unit=12  strata(unit)unit=13  
           -0.11449             -0.16986  

Degrees of Freedom: 9502 Total (i.e. Null);  9489 Residual
Null Deviance:      13170 
Residual Deviance: 13170    AIC: 13190

这不会考虑任何日期排序，这是我期望的兴趣。但正如我上面所说的那样，似乎并不是一个以任何顺序排序为前提的假设。

这将创建一个固定效果模型，其中包含date与y事件概率的样条关系。我选择将日期居中，而不是将其作为一个非常大的整数：

library(splines)
fixed <- glm(y ~ x + ns(scale(date),3) + factor(unit), data=data, family="binomial")
fixed
#----------------------
Call:  glm(formula = y ~ x + ns(scale(date), 3) + factor(unit), family = "binomial", 
    data = data)

Coefficients:
        (Intercept)                    x  ns(scale(date), 3)1  ns(scale(date), 3)2  
            0.13389             -0.05904              0.04431             -0.10727  
ns(scale(date), 3)3        factor(unit)2        factor(unit)3        factor(unit)4  
           -0.03224             -0.08302             -0.03020             -0.06877  
      factor(unit)5        factor(unit)6        factor(unit)7        factor(unit)8  
           -0.05042             -0.10201             -0.09872             -0.09702  
      factor(unit)9       factor(unit)10       factor(unit)11       factor(unit)12  
            0.02742             -0.13246             -0.04816             -0.11450  
     factor(unit)13  
           -0.16987  

Degrees of Freedom: 9502 Total (i.e. Null);  9486 Residual
Null Deviance:      13170 
Residual Deviance: 13160    AIC: 13200

R

1 个答案: