我想估计协变量对响应值的影响，其值取 [0,1] 中的值。也就是说，响应变量的值介于 0-1（含）之间。我想使用 Papke 和 Wooldridge (1996) 描述的分数 logit 模型，见下文：
http://faculty.smu.edu/millimet/classes/eco6375/papers/papke%20wooldridge%201996.pdf
是否有 R 函数（或库）来促进分数 logit 模型的估计？我可以glm()以某种方式修改吗？
编辑的问题从这里开始
我很欣赏@Jibler 的评论——这可以从分数 logit 模型中得到估计的 beta 值。但是，正如@Ben 指出的那样，鉴于此规范，无法正确估计 SE。
我想这是经济学中更流行的模型，因此 STATA 期刊投稿人对此进行了很好的讨论： http: //fmwww.bc.edu/EC-C/S2013/823/EC823.S2013.nn06.slides.pdf http:/ /www.stata.com/meeting/germany10/germany10_buis.pdf
我能够从 Papke 和 Wooldridge 401k 计划示例中获得数据（见下文）。至少在我看来，分数 logit 模型的稳健性是通过方差的三明治估计量 - Papke 和 Wooldridge 的方程（9）获得的。也就是说，等式 (10) 继续演示如何通过将vcov来自标准拟合的估计矩阵预乘以glm(...,family=binomial(link=logit))Pearson 残差的估计来获得稳健性。
Buis 的幻灯片似乎sandwich()使用参数 vce(robust) 实现了分数 logit 估计器的一种形式。sandwich()这些与R 中函数在标准二项式 GLM 中的应用完全一致。我假设，但不确定，因为我不是 STATA 奇才，这与 Baum 的论点相同robust吗？如果有人拥有 STATA 并且可以检查这将是有帮助的。GLM 给出的模型给出的family=quasibinomialSE 估计值略有不同。但它似乎也是分数 logit 模型的均值/方差参数的合理估计。
下面是一些 R 代码，它复制了上面 Buis 文章中给出的数据拟合（它还显示了准二项式模型如何给出略有不同的 SE 估计）：
##
## Replicate what some STATA Journal editors call "fractional logit"
## get data from: "http://fmwww.bc.edu/repec/bocode/k/k401.dta"
##
library(sandwich)
library(foreign)
X <- read.dta("F:/ProportionsDepVar/k401.dta")
class(X)
names(X)
dim(X)
X$totemp1 <- X$totemp/10000
glmfit <- glm(prate ~ mrate + totemp1 + age + sole, family=binomial(link=logit), data=X)
summary(glmfit)
##
## And the SE's are off here and biased large
## Use sandwich estimator instead
##
sand_vcov <- sandwich(glmfit)
sand_se <- sqrt(diag(sand_vcov))
robust_z <- glmfit$coef/sand_se
robust_z
##
## Quasi binomial fit is close to replicating SE's
##
flogit1 <- glm(prate ~ mrate + totemp1 + age + sole, family=quasibinomial(link=logit), data=X)
summary(flogit1)
所以...感谢@Ben 提供有用的建议。我的看法是，family=quasibinomial或者sandwich库在估计 R 中分数 logit 模型的稳健 SE 方面做得很好（由 Papke 和 Wooldridge 的方程（9）或（10）定义）。如果这个结论不正确，请欣赏评论/批评。