1

我texreg用来生成回归的输出表。我想将 AIC、BIC 和 HQIC 等统计数据作为拟合优度统计数据。

下面的可复制示例 

library(texreg)
library(tidyverse)
mtcars
model1 <- lm(mpg ~ disp, data = mtcars)
model2 <- lm(mpg ~ disp + hp, data = mtcars)
screenreg(list(model1, model2))

给我这个：

=================================
             Model 1    Model 2  
---------------------------------
(Intercept)  29.60 ***  30.74 ***
             (1.23)     (1.33)   
disp         -0.04 ***  -0.03 ***
             (0.00)     (0.01)   
hp                      -0.02    
                        (0.01)   
---------------------------------
R^2           0.72       0.75    
Adj. R^2      0.71       0.73    
Num. obs.    32         32       
RMSE          3.25       3.13    
=================================
*** p < 0.001, ** p < 0.01, * p < 0.05

这很棒，但除了 R^2、RMSE 等之外，我还想要 AIC、BIC 和 HQIC（如果可能的话）。

编辑：

在回答下面的评论时，答案确实不需要来自texreg，但我正在寻找一个答案，它可以生成那种看起来可以提交给学术期刊的格式化 html 表格，例如stargazer、texreg、sjPlot。

4

1 回答 1

1

AIC 和 BIC 基于最大化对数似然。该lm函数使用普通最小二乘而不是最大似然估计。因此，没有可能性，也没有 AIC 或 BIC。但是，要获得 AIC 和 BIC，您可以使用函数和高斯链接函数来估计模型glm，在这种情况下，您会默认获得 AIC 和 BIC：

library("texreg")
model1 <- glm(mpg ~ disp, data = mtcars, family = "gaussian")
model2 <- glm(mpg ~ disp + hp, data = mtcars, family = "gaussian")
screenreg(list(model1, model2))

结果：

======================================
                Model 1     Model 2   
--------------------------------------
(Intercept)      29.60 ***   30.74 ***
                 (1.23)      (1.33)   
disp             -0.04 ***   -0.03 ***
                 (0.00)      (0.01)   
hp                           -0.02    
                             (0.01)   
--------------------------------------
AIC             170.21      168.62    
BIC             174.61      174.48    
Log Likelihood  -82.10      -80.31    
Deviance        317.16      283.49    
Num. obs.        32          32       
======================================
*** p < 0.001; ** p < 0.01; * p < 0.05

screenreg您可以通过使用arguments等来消除 GOF 块中的对数似然度、偏差等include.loglik = FALSE。include.deviance = FALSE

于 2020-04-23T17:54:37.180 回答