Получить коэффициенты, оцениваемые по максимальной вероятности, в таблицу stargazer

Stargazer производит очень приятные латексные столы для объектов lm (и других). Предположим, что я поместил модель по максимальной вероятности. Я бы хотел, чтобы stargazer создал lm-подобную таблицу для моих оценок. Как я могу это сделать?

Хотя это немного взломанно, одним из способов может быть создание "поддельного" lm-объекта, содержащего мои оценки - я думаю, что это будет работать до тех пор, пока работает summary (my.fake.lm.object). Это легко выполнимо?

Пример:

library(stargazer)

N <- 200
df <- data.frame(x=runif(N, 0, 50))
df$y <- 10 + 2 * df$x + 4 * rt(N, 4)  # True params
plot(df$x, df$y)

model1 <- lm(y ~ x, data=df)
stargazer(model1, title="A Model")  # I'd like to produce a similar table for the model below

ll <- function(params) {
    ## Log likelihood for y ~ x + student t errors
    params <- as.list(params)
    return(sum(dt((df$y - params$const - params$beta*df$x) / params$scale, df=params$degrees.freedom, log=TRUE) -
               log(params$scale)))
}

model2 <- optim(par=c(const=5, beta=1, scale=3, degrees.freedom=5), lower=c(-Inf, -Inf, 0.1, 0.1),
                fn=ll, method="L-BFGS-B", control=list(fnscale=-1), hessian=TRUE)
model2.coefs <- data.frame(coefficient=names(model2$par), value=as.numeric(model2$par),
                           se=as.numeric(sqrt(diag(solve(-model2$hessian)))))

stargazer(model2.coefs, title="Another Model", summary=FALSE)  # Works, but how can I mimic what stargazer does with lm objects?

Чтобы быть более точным: с объектами lm, stargazer красиво печатает зависимую переменную в верхней части таблицы, включает SE в скобках ниже соответствующих оценок и имеет R ^ 2 и количество наблюдений в нижней части таблицы, Существует ли (простой способ) получить такое же поведение с "настраиваемой" моделью, оцененной по максимальной вероятности, как указано выше?

Вот мои слабые попытки придумать мой оптимальный вывод как объект lm:

model2.lm <- list()  # Mimic an lm object
class(model2.lm) <- c(class(model2.lm), "lm")
model2.lm$rank <- model1$rank  # Problematic?
model2.lm$coefficients <- model2$par
names(model2.lm$coefficients)[1:2] <- names(model1$coefficients)
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
model2.lm$model <- df
model2.lm$terms <- model1$terms  # Problematic?
summary(model2.lm)  # Not working

Ответ 1

Я не знаю, насколько вы привержены использованию stargazer, но вы можете попробовать использовать метлу и xtable-пакеты, проблема в том, что она не даст вам стандартных ошибок для оптимальной модели

library(broom)
library(xtable)
xtable(tidy(model1))
xtable(tidy(model2))

Ответ 2

У меня была эта проблема, и я преодолел это с помощью функций coef se и omit в пределах stargazer... например.

stargazer(regressions, ...
                     coef = list(... list of coefs...),
                     se = list(... list of standard errors...),
                     omit = c(sequence),
                     covariate.labels = c("new names"),
                     dep.var.labels.include = FALSE,
                     notes.append=FALSE), file="")

Ответ 3

Сначала нужно создать экземпляр фиктивного объекта lm, а затем одеть его:

#...
model2.lm = lm(y ~ ., data.frame(y=runif(5), beta=runif(5), scale=runif(5), degrees.freedom=runif(5)))
model2.lm$coefficients <- model2$par
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
stargazer(model2.lm, se = list(model2.coefs$se), summary=FALSE, type='text')

# ===============================================
#                         Dependent variable:    
#                     ---------------------------
#                                  y             
# -----------------------------------------------
# const                        10.127***         
#                               (0.680)          
#                                                
# beta                         1.995***          
#                               (0.024)          
#                                                
# scale                        3.836***          
#                               (0.393)          
#                                                
# degrees.freedom              3.682***          
#                               (1.187)          
#                                                
# -----------------------------------------------
# Observations                    200            
# R2                             0.965           
# Adjusted R2                    0.858           
# Residual Std. Error       75.581 (df = 1)      
# F Statistic              9.076 (df = 3; 1)     
# ===============================================
# Note:               *p<0.1; **p<0.05; ***p<0.01

(и, конечно же, убедитесь, что оставшаяся итоговая статистика верна)