Tái tạo tùy chọn mạnh mẽ trên Stata của Stata trong R

Tôi đã cố gắng sao chép các kết quả của tùy chọn Stata robusttrong R. Tôi đã sử dụng rlmmẫu lệnh gói MASS và cũng là lệnh lmrobtừ gói "mạnh mẽ". Trong cả hai trường hợp, kết quả khá khác so với tùy chọn "mạnh mẽ" trong Stata. Bất cứ ai có thể xin vui lòng đề nghị một cái gì đó trong bối cảnh này?

Dưới đây là kết quả tôi thu được khi chạy tùy chọn mạnh mẽ trong Stata:

. reg yb7 buildsqb7 no_bed no_bath rain_harv swim_pl pr_terrace, robust

Linear regression                                      Number of obs =    4451
                                                       F(  6,  4444) =  101.12
                                                       Prob > F      =  0.0000
                                                       R-squared     =  0.3682
                                                       Root MSE      =   .5721

------------------------------------------------------------------------------
             |               Robust
         yb7 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
   buildsqb7 |   .0046285   .0026486     1.75   0.081    -.0005639     .009821
      no_bed |   .3633841   .0684804     5.31   0.000     .2291284    .4976398
     no_bath |   .0832654   .0706737     1.18   0.239    -.0552904    .2218211
   rain_harv |   .3337906   .0395113     8.45   0.000     .2563289    .4112524
     swim_pl |   .1627587   .0601765     2.70   0.007     .0447829    .2807346
  pr_terrace |   .0032754   .0178881     0.18   0.855    -.0317941    .0383449
       _cons |   13.68136   .0827174   165.40   0.000     13.51919    13.84353

Và đây là những gì tôi thu được trong R với tùy chọn lmrob:

> modelb7<-lmrob(yb7~Buildsqb7+No_Bed+Rain_Harv+Swim_Pl+Gym+Pr_Terrace, data<-bang7)
> summary(modelb7)

Call:
lmrob(formula = yb7 ~ Buildsqb7 + No_Bed + Rain_Harv + Swim_Pl + Gym + Pr_Terrace, 
    data = data <- bang7)
 \--> method = "MM"
Residuals:
      Min        1Q    Median        3Q       Max 
-51.03802  -0.12240   0.02088   0.18199   8.96699 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 12.648261   0.055078 229.641   <2e-16 ***
Buildsqb7    0.060857   0.002050  29.693   <2e-16 ***
No_Bed       0.005629   0.019797   0.284   0.7762    
Rain_Harv    0.230816   0.018290  12.620   <2e-16 ***
Swim_Pl      0.065199   0.028121   2.319   0.0205 *  
Gym          0.023024   0.014655   1.571   0.1162    
Pr_Terrace   0.015045   0.013951   1.078   0.2809    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Robust residual standard error: 0.1678 
Multiple R-squared:  0.8062,    Adjusted R-squared:  0.8059 

Charles gần như có câu trả lời của mình, nhưng robusttùy chọn của regresslệnh (và các lệnh ước lượng hồi quy khác) trong Stata cho phép sử dụng nhiều loại ước lượng ma trận phương sai và ước lượng tự động tương quan mạnh, cũng như coeftesthàm trong lmtestgói lần lượt phụ thuộc vào ma trận phương sai hiệp phương tương ứng được tạo bởi vcovHChàm trong sandwichgói.

Tuy nhiên, ma trận phương sai hiệp phương mặc định được sử dụng bởi hai loại này là khác nhau:
1. Ma trận hiệp phương sai mặc định được trả về bởi vcocHCcái gọi là HC3lý do được mô tả trong trang man cho vcovHC.
2. sandwichTùy chọn được Charles coeftestsử dụng sử dụng HC0ma trận phương sai hiệp phương sai mạnh mẽ.
3. Để tái tạo hành vi mặc định của Stata bằng cách sử dụng robusttùy chọn trong cuộc gọi đến regressbạn cần phải yêu cầu vcovHCsử dụng HC1ma trận phương sai hiệp phương sai mạnh mẽ.

Đọc thêm về nó ở đây .

Ví dụ sau đây thể hiện tất cả các điểm được nêu ở trên dựa trên ví dụ ở đây .

library(foreign)
library(sandwich)
library(lmtest)

dfAPI = read.dta("http://www.ats.ucla.edu/stat/stata/webbooks/reg/elemapi2.dta")
lmAPI = lm(api00 ~ acs_k3 + acs_46 + full + enroll, data= dfAPI)
summary(lmAPI)                                  # non-robust

# check that "sandwich" returns HC0
coeftest(lmAPI, vcov = sandwich)                # robust; sandwich
coeftest(lmAPI, vcov = vcovHC(lmAPI, "HC0"))    # robust; HC0 

# check that the default robust var-cov matrix is HC3
coeftest(lmAPI, vcov = vcovHC(lmAPI))           # robust; HC3 
coeftest(lmAPI, vcov = vcovHC(lmAPI, "HC3"))    # robust; HC3 (default)

# reproduce the Stata default
coeftest(lmAPI, vcov = vcovHC(lmAPI, "HC1"))    # robust; HC1 (Stata default)

Dòng mã cuối cùng ở trên tái tạo kết quả từ Stata:

use http://www.ats.ucla.edu/stat/stata/webbooks/reg/elemapi2
regress api00 acs_k3 acs_46 full enroll, robust

Tôi đã tìm thấy một mô tả trên trang web sau đây sao chép tùy chọn '' mạnh mẽ '' của Stata trong R.

https: // ec economtheoryblog.com/2016/08/08/robust-stiteria-errors-in-r

Làm theo các hướng dẫn, tất cả những gì bạn cần làm là tải một hàm vào phiên R của bạn và sau đó đặt tham số '' mạnh mẽ '' trong hàm tóm tắt của bạn thành TRUE.

summary(lm.object, robust=TRUE)

Kể từ tháng 4 năm 2018 tôi tin rằng bạn muốn estimatrgói cung cấp thay thế gần như thay thế cho lm. Một số ví dụ được lấy gần từ tài liệu:

library(estimatr)
library(car)

# HC1 robust standard errors
model <- lm_robust(GPA_year2 ~ gpa0 + ssp, data = alo_star_men,
                   se_type = "stata")
summary(model)
#> 
#> Call:
#> lm_robust(formula = GPA_year2 ~ gpa0 + ssp, data = alo_star_men, 
#>     se_type = "stata")
#> 
#> Standard error type:  HC1 
#> 
#> Coefficients:
#>             Estimate Std. Error  Pr(>|t|) CI Lower CI Upper  DF
#> (Intercept) -3.60625    1.60084 0.0258665 -6.77180  -0.4407 137
#> gpa0         0.06814    0.02024 0.0009868  0.02812   0.1082 137
#> ssp          0.31917    0.18202 0.0817589 -0.04077   0.6791 137
#> 
#> Multiple R-squared:  0.09262 ,   Adjusted R-squared:  0.07937 
#> F-statistic: 6.992 on 2 and 137 DF,  p-value: 0.001284

# HC1 cluster robust standard errors
model2 <- lm_robust(GPA_year2 ~ gpa0 + ssp, cluster = ssp,
                   data = alo_star_men, se_type = "stata")
summary(model2)
#> 
#> Call:
#> lm_robust(formula = GPA_year2 ~ gpa0 + ssp, data = alo_star_men, 
#>     clusters = ssp, se_type = "stata")
#> 
#> Standard error type:  stata 
#> 
#> Coefficients:
#>             Estimate Std. Error Pr(>|t|) CI Lower CI Upper DF
#> (Intercept) -3.60625   1.433195 0.240821 -21.8167  14.6042  1
#> gpa0         0.06814   0.018122 0.165482  -0.1621   0.2984  1
#> ssp          0.31917   0.004768 0.009509   0.2586   0.3798  1
#> 
#> Multiple R-squared:  0.09262 ,   Adjusted R-squared:  0.07937 
#> F-statistic: 6.992 on 2 and 137 DF,  p-value: 0.001284

Các cargói sau đó làm cho nó dễ dàng để thực hiện các bài kiểm tra giả thuyết omnibus cho các mô hình:

linearHypothesis(model, c("gpa0 = ssp"))
#> Linear hypothesis test
#> 
#> Hypothesis:
#> gpa0 - ssp = 0
#> 
#> Model 1: restricted model
#> Model 2: GPA_year2 ~ gpa0 + ssp
#> 
#>   Res.Df Df  Chisq Pr(>Chisq)
#> 1    138                     
#> 2    137  1 1.8859     0.1697

Tôi sẽ chỉnh sửa câu hỏi. Bạn đang nhầm lẫn hồi quy mạnh mẽ với lệnh mạnh mẽ của Stata. Dường như không có lợi ích để giới thiệu sự nhầm lẫn này.

Tôi nghĩ rằng có một vài cách tiếp cận. Tôi đã không nhìn vào tất cả chúng và không chắc cái nào là tốt nhất:

Gói bánh sandwich:

library(sandwich)    
coeftest(model, vcov=sandwich)

Nhưng điều này không cho tôi câu trả lời giống như tôi nhận được từ Stata vì một số lý do. Tôi chưa bao giờ cố gắng tìm hiểu tại sao - nhưng ở trên trong các bình luận có một câu trả lời được đề xuất - tôi chỉ không sử dụng gói này.

Gói rms:

Tôi thấy điều này hơi đau khi làm việc nhưng thường nhận được câu trả lời tốt với một số nỗ lực. Và nó là hữu ích nhất đối với tôi.

model = ols(a~b, x=TRUE)    
robcov(model)

Bạn có thể mã từ đầu

Xem bài đăng trên blog này ( http://thetarzan.wordpress.com/2011/05/28/heteroskedasticity-robust-and-clustered-stiteria-errors-in-r/ ). Nó trông giống như tùy chọn đau đớn nhất, nhưng rất dễ dàng và tùy chọn này thường hoạt động tốt nhất.