Holen Sie sich die durch die maximale Wahrscheinlichkeit geschätzten Koeffizienten in eine Sternguckertabelle

Stargazer produziert sehr schöne Latex-Tische für lm (und andere) Objekte. Angenommen, ich habe ein Modell mit maximaler Wahrscheinlichkeit angepasst. Ich möchte, dass Stargazer eine lm-ähnliche Tabelle für meine Schätzungen erstellt. Wie kann ich das machen?

Obwohl es ein bisschen hackig ist, könnte eine Möglichkeit darin bestehen, ein "falsches" lm-Objekt zu erstellen, das meine Schätzungen enthält. Ich denke, dies würde funktionieren, solange die Zusammenfassung (my.fake.lm.object) funktioniert. Ist das leicht machbar?

Ein Beispiel:

library(stargazer)

N <- 200
df <- data.frame(x=runif(N, 0, 50))
df$y <- 10 + 2 * df$x + 4 * rt(N, 4)  # True params
plot(df$x, df$y)

model1 <- lm(y ~ x, data=df)
stargazer(model1, title="A Model")  # I'd like to produce a similar table for the model below

ll <- function(params) {
    ## Log likelihood for y ~ x + student's t errors
    params <- as.list(params)
    return(sum(dt((df$y - params$const - params$beta*df$x) / params$scale, df=params$degrees.freedom, log=TRUE) -
               log(params$scale)))
}

model2 <- optim(par=c(const=5, beta=1, scale=3, degrees.freedom=5), lower=c(-Inf, -Inf, 0.1, 0.1),
                fn=ll, method="L-BFGS-B", control=list(fnscale=-1), hessian=TRUE)
model2.coefs <- data.frame(coefficient=names(model2$par), value=as.numeric(model2$par),
                           se=as.numeric(sqrt(diag(solve(-model2$hessian)))))

stargazer(model2.coefs, title="Another Model", summary=FALSE)  # Works, but how can I mimic what stargazer does with lm objects?

Genauer gesagt: Bei lm-Objekten druckt stargazer die abhängige Variable oben in der Tabelle gut aus, enthält SEs in Klammern unter den entsprechenden Schätzungen und hat R ^ 2 und die Anzahl der Beobachtungen unten in der Tabelle. Gibt es eine (n einfache) Möglichkeit, dasselbe Verhalten mit einem "benutzerdefinierten" Modell zu erzielen, das wie oben anhand der maximalen Wahrscheinlichkeit geschätzt wird?

Hier sind meine schwachen Versuche, meine optimale Ausgabe als lm-Objekt zu verkleiden:

model2.lm <- list()  # Mimic an lm object
class(model2.lm) <- c(class(model2.lm), "lm")
model2.lm$rank <- model1$rank  # Problematic?
model2.lm$coefficients <- model2$par
names(model2.lm$coefficients)[1:2] <- names(model1$coefficients)
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
model2.lm$model <- df
model2.lm$terms <- model1$terms  # Problematic?
summary(model2.lm)  # Not working

Ich hatte gerade dieses Problem und habe es durch die Verwendung von coef seund omitFunktionen innerhalb von Stargazer überwunden ... z

stargazer(regressions, ...
                     coef = list(... list of coefs...),
                     se = list(... list of standard errors...),
                     omit = c(sequence),
                     covariate.labels = c("new names"),
                     dep.var.labels.include = FALSE,
                     notes.append=FALSE), file="")

Sie müssen zuerst ein Dummy- lmObjekt instanziieren und es dann verkleiden:

#...
model2.lm = lm(y ~ ., data.frame(y=runif(5), beta=runif(5), scale=runif(5), degrees.freedom=runif(5)))
model2.lm$coefficients <- model2$par
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
stargazer(model2.lm, se = list(model2.coefs$se), summary=FALSE, type='text')

# ===============================================
#                         Dependent variable:    
#                     ---------------------------
#                                  y             
# -----------------------------------------------
# const                        10.127***         
#                               (0.680)          
#                                                
# beta                         1.995***          
#                               (0.024)          
#                                                
# scale                        3.836***          
#                               (0.393)          
#                                                
# degrees.freedom              3.682***          
#                               (1.187)          
#                                                
# -----------------------------------------------
# Observations                    200            
# R2                             0.965           
# Adjusted R2                    0.858           
# Residual Std. Error       75.581 (df = 1)      
# F Statistic              9.076 (df = 3; 1)     
# ===============================================
# Note:               *p<0.1; **p<0.05; ***p<0.01

(und dann natürlich sicherstellen, dass die verbleibenden zusammenfassenden Statistiken korrekt sind)

Ich weiß nicht, wie sehr Sie sich für die Verwendung von Stargazer engagieren, aber Sie können versuchen, den Besen und die xtable-Pakete zu verwenden. Das Problem ist, dass Sie nicht die Standardfehler für das Optim-Modell erhalten

library(broom)
library(xtable)
xtable(tidy(model1))
xtable(tidy(model2))