R:观星台中强大的SE和模型诊断

我尝试使用stargazer软件包将通过AER软件包中的ivreg()生成的一些2SLS回归输出放到Latex文档中。我有几个问题，但是我似乎无法解决自己。

我无法弄清楚ivreg()摘要提供的如何插入模型诊断。即弱仪器测试，Wu-Hausmann和Sargan测试。我希望它们具有通常在表格下方报告的统计信息，例如观测值数量，R平方和残差。 SE。 stargazer函数似乎没有参数，您可以在其中提供带有其他诊断信息的列表。我之所以没有将其纳入示例，是因为我真的不知道从哪里开始。

我想将普通标准错误与健壮的标准错误交换，而我发现做到这一点的唯一方法是产生具有健壮标准错误的对象，并使用stargazer()将它们添加到se=list()函数中。我将其放在下面的最小工作示例中。是否可以使用一种更优雅的方式对此进行编码，或者重新估计模型并将其保存为可靠的标准错误？

library(AER)
library(stargazer)

y <- rnorm(100, 5, 10)
x <- rnorm(100, 3, 15)
z <- rnorm(100, 3, 7)
a <- rnorm(100, 1, 7)
b <- rnorm(100, 3, 5)

# Fitting IV models
fit1 <- ivreg(y ~ x + a  |
             a + z,
             model = TRUE)
fit2 <- ivreg(y ~ x + a  |
             a + b + z,
             model = TRUE)

# Here are the se's and the diagnostics i want
summary(fit1, vcov = sandwich, diagnostics=T)
summary(fit2, vcov = sandwich, diagnostics=T)

# Getting robust se's, i think HC0 is the standard
# used with "vcov=sandwich" from the  above summary
cov1        <- vcovHC(fit1, type = "HC0")
robust1     <- sqrt(diag(cov1))
cov2        <- vcovHC(fit2, type = "HC0")
robust2     <- sqrt(diag(cov1))

# Create latex table
stargazer(fit1, fit2, type = "latex", se=list(robust1, robust2))

最佳答案

这是您想要做的一种方法:

require(lmtest)

rob.fit1        <- coeftest(fit1, function(x) vcovHC(x, type="HC0"))
rob.fit2        <- coeftest(fit2, function(x) vcovHC(x, type="HC0"))
summ.fit1 <- summary(fit1, vcov. = function(x) vcovHC(x, type="HC0"), diagnostics=T)
summ.fit2 <- summary(fit2, vcov. = function(x) vcovHC(x, type="HC0"), diagnostics=T)

stargazer(fit1, fit2, type = "text",
          se = list(rob.fit1[,"Std. Error"], rob.fit2[,"Std. Error"]),
          add.lines = list(c(rownames(summ.fit1$diagnostics)[1],
                             round(summ.fit1$diagnostics[1, "p-value"], 2),
                             round(summ.fit2$diagnostics[1, "p-value"], 2)),
                           c(rownames(summ.fit1$diagnostics)[2],
                             round(summ.fit1$diagnostics[2, "p-value"], 2),
                             round(summ.fit2$diagnostics[2, "p-value"], 2)) ))

这将产生:

==========================================================
                                  Dependent variable:
                              ----------------------------
                                           y
                                   (1)            (2)
----------------------------------------------------------
x                                 -1.222        -0.912
                                 (1.672)        (1.002)

a                                 -0.240        -0.208
                                 (0.301)        (0.243)

Constant                          9.662         8.450**
                                 (6.912)        (4.222)

----------------------------------------------------------
Weak instruments                   0.45          0.56
Wu-Hausman                         0.11          0.18
Observations                       100            100
R2                                -4.414        -2.458
Adjusted R2                       -4.526        -2.529
Residual Std. Error (df = 97)     22.075        17.641
==========================================================
Note:                          *p<0.1; **p<0.05; ***p<0.01

如您所见，这允许在各个模型中手动包括诊断。

您可以通过创建一个接受模型列表(例如list(summ.fit1, summ.fit2))并输出se或add.lines参数所需的对象的函数来使此方法自动化。

gaze.coeft <- function(x, col="Std. Error"){
    stopifnot(is.list(x))
    out <- lapply(x, function(y){
        y[ , col]
    })
    return(out)
}
gaze.coeft(list(rob.fit1, rob.fit2))
gaze.coeft(list(rob.fit1, rob.fit2), col=2)

都将接受list对象的coeftest，并产生se期望的SE向量:

[[1]]
(Intercept)           x           a
  6.9124587   1.6716076   0.3011226

[[2]]
(Intercept)           x           a
  4.2221491   1.0016012   0.2434801

可以对诊断执行相同的操作:

gaze.lines.ivreg.diagn <- function(x, col="p-value", row=1:3, digits=2){
    stopifnot(is.list(x))
    out <- lapply(x, function(y){
        stopifnot(class(y)=="summary.ivreg")
        y$diagnostics[row, col, drop=FALSE]
    })
    out <- as.list(data.frame(t(as.data.frame(out)), check.names = FALSE))
    for(i in 1:length(out)){
        out[[i]] <- c(names(out)[i], round(out[[i]], digits=digits))
    }
    return(out)
}
gaze.lines.ivreg.diagn(list(summ.fit1, summ.fit2), row=1:2)
gaze.lines.ivreg.diagn(list(summ.fit1, summ.fit2), col=4, row=1:2, digits=2)

这两个调用都会产生:

$`Weak instruments`
[1] "Weak instruments" "0.45"             "0.56"

$`Wu-Hausman`
[1] "Wu-Hausman" "0.11"       "0.18"

现在stargazer()调用变得如此简单，产生与上面相同的输出:

stargazer(fit1, fit2, type = "text",
      se = gaze.coeft(list(rob.fit1, rob.fit2)),
      add.lines = gaze.lines.ivreg.diagn(list(summ.fit1, summ.fit2), row=1:2))

关于R:观星台中强大的SE和模型诊断，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/33048097/

Se

R:观星台中强大的SE和模型诊断