1

我正在尝试通过or提取两个不同的平均模型，MuMIn用于输出到乳胶。我想要一张表，我可以在其中比较两个物种对不同非生物变量集的反应，这看起来与使用两个模型对象创建的一个相同texregstargazer

glmtable <- texreg(list(m1, m2).

上面的代码适用于 glm 对象，但不适用于在MuMIn.

我尝试按照https://sites.google.com/site/rforfishandwildlifegrads/home/mumin_usage_examples上的示例输出可以输出到乳胶的文本表。

这是使用水泥数据的可重现示例：

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)

这工作正常。但是，当我打电话时

MA.ests$avg.model

我得到>NULL。

avg.model 是否已被弃用？还是有其他方法可以做到这一点？

我可以使用这三个调用中的任何一个来解决问题，但它们并不是我想要的。

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放入乳胶中。）

在此先感谢您的任何建议。

4

2 回答 2

1

该软件包的最新版本 1.34.3texreg支持model.selection和averaging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)

产量：

==========================================================================================================================================================================================================
                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

和模型平均：

MA.ests <- model.avg(ms1, subset = delta < 5, revised.var = TRUE)

screenreg(MA.ests)

产量：

=======================
             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，另请参阅extract帮助页面上两种方法的参数：?extract

于 2015-03-14T01:07:45.880 回答
0

如果您不想要依赖项，您可以直接从摘要对象中获取 p 值：

summary(averagingobject)$coefmat.full

summary(averagingobject)$coefmat.subset
于 2016-10-21T12:03:37.437 回答