3

我今天一整天都在努力为 mLogit 适当地格式化我的数据 （通过 BondedDust 的 table(TM) 建议发现错误后更新）：

raw <-read.csv("C:\\Users\\Andy\\Desktop\\research\\Oxford\\Prefs\\rData.csv", header=T, row.names = NULL,id="id")
raw <-na.omit(raw)

library(mlogit)

TM <- mlogit.data(raw, choice = "selected", shape = "long", alt.var = "dishId", chid.var = "individuals", drop.index = TRUE)

我失败的地方是试图对我的数据建模。

model <- mlogit(selected ~ food + plate | sex + age +hand, data = TM)

solve.default(H, g[!fixed]) 中的错误：系统在计算上是奇异的：倒数条件数 = 6.26659e-18

我真的很感激这个话题的一些帮助。恐怕我会拿它吃点香蕉。

数据本身来自一个实验，我们让 1000 人在几对食物之间做出决定（我们改变食物的外观 - 角形或圆形 - 并改变盘子的形状 - 角形或圆形）。

带着最良好的祝愿，安迪。

PS 害怕我是 StackOverflow 上统计 Qs 的新手。

4

2 回答 2

7

该模型无法将您的 discId 解释为替代索引 ( alt.var)，因为您有不同的密钥对用于不同的选择。例如，您在 .csv 文件中将“TS”和“RS”作为首选索引键，但将“RR”和“RS”作为选项 3634 的键。此外，您也没有指定名称的备选方案（alt.levels）。由于alt.levels未填写，mlogit.data将自动尝试根据其无法正确解释的替代索引检测替代。这基本上就是一切都出错的地方：“食物”和“盘子”

您有两个选项可以解决此问题。您可以mlogit.data通过alt.levels参数提供实际的替代方案作为输入：

TM <- mlogit.data(raw, choice = "selected", shape = "long", alt.levels = c("food","plate"),chid.var = "individuals",drop.index=TRUE)
model1 <- mlogit(selected ~ food + plate | sex + age +hand, data = TM)

或者，您可以选择使索引键保持一致，以便您可以通过alt.var. mlogit.data现在将能够正确猜测您的替代方案是什么：

raw[,3] <- rep(1:2,nrow(raw)/2) # use 1 and 2 as unique alternative keys for all choices
TM <- mlogit.data(raw, choice = "selected", shape = "long", alt.var="dishId", chid.var = "individuals")
model2 <- model <- mlogit(selected ~ food + plate | sex + age +hand, data = TM)

我们验证两个模型确实是相同的。模型1的结果：

> summary(model1)

Call:
mlogit(formula = selected ~ food + plate | sex + age + hand, 
    data = TM, method = "nr", print.level = 0)

Frequencies of alternatives:
   food   plate 
0.42847 0.57153 

nr method
4 iterations, 0h:0m:0s 
g'(-H)^-1g = 0.00423 
successive function values within tolerance limits 

Coefficients :
                    Estimate Std. Error t-value  Pr(>|t|)    
plate:(intercept) -0.0969627  0.0764117 -1.2689 0.2044589    
foodCirc           1.0374881  0.0339559 30.5540 < 2.2e-16 ***
plateCirc         -0.0064866  0.0524547 -0.1237 0.9015835    
plate:sexmale     -0.0811157  0.0416113 -1.9494 0.0512512 .  
plate:age16-34     0.1622542  0.0469167  3.4583 0.0005435 ***
plate:age35-54     0.0312484  0.0555634  0.5624 0.5738492    
plate:age55-74     0.0556696  0.0836248  0.6657 0.5055987    
plate:age75+       0.1057646  0.2453797  0.4310 0.6664508    
plate:handright   -0.0177260  0.0539510 -0.3286 0.7424902    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log-Likelihood: -8284.6
McFadden R^2:  0.097398 
Likelihood ratio test : chisq = 1787.9 (p.value = < 2.22e-16)

与模型 2 的结果对比。请注意，备选方案已正确识别，但名称并未明确添加到模型中：

> summary(model2)

Call:
mlogit(formula = selected ~ food + plate | sex + age + hand, 
    data = TM, method = "nr", print.level = 0)

Frequencies of alternatives:
      1       2 
0.42847 0.57153 

nr method
4 iterations, 0h:0m:0s 
g'(-H)^-1g = 0.00423 
successive function values within tolerance limits 

Coefficients :
                Estimate Std. Error t-value  Pr(>|t|)    
2:(intercept) -0.0969627  0.0764117 -1.2689 0.2044589    
foodCirc       1.0374881  0.0339559 30.5540 < 2.2e-16 ***
plateCirc     -0.0064866  0.0524547 -0.1237 0.9015835    
2:sexmale     -0.0811157  0.0416113 -1.9494 0.0512512 .  
2:age16-34     0.1622542  0.0469167  3.4583 0.0005435 ***
2:age35-54     0.0312484  0.0555634  0.5624 0.5738492    
2:age55-74     0.0556696  0.0836248  0.6657 0.5055987    
2:age75+       0.1057646  0.2453797  0.4310 0.6664508    
2:handright   -0.0177260  0.0539510 -0.3286 0.7424902    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Log-Likelihood: -8284.6
McFadden R^2:  0.097398 
Likelihood ratio test : chisq = 1787.9 (p.value = < 2.22e-16)
于 2015-04-29T02:25:59.893 回答
0

这更像是一个评论而不是一个答案（我没有足够的代表点来评论！）。但是，我无法重现您的代码，因为age您的rData.csv.

于 2015-04-26T19:59:42.423 回答