首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

为什么stargazer给了我lm回归输出的输出表,而不是我使用lm_robust()时的输出表?

在统计学中,线性回归模型是一种用于建立自变量和因变量之间关系的方法。在R语言中,lm()函数用于拟合线性回归模型。然而,当数据存在异方差性(heteroscedasticity)时,传统的最小二乘法(OLS)估计可能不再有效。为了解决这个问题,可以使用lm_robust()函数,它使用了异方差稳健标准误差来计算回归系数的估计。

回到你的问题,为什么stargazer给了你lm回归输出的输出表,而不是lm_robust()的输出表。stargazer是一个用于生成漂亮的回归结果表格的R包。然而,stargazer包目前只支持基本的线性回归模型,不支持异方差稳健回归模型。因此,当你使用lm_robust()函数拟合了一个异方差稳健回归模型后,stargazer无法直接处理该模型的结果。

如果你想使用stargazer生成回归结果表格,有几种解决方案。一种方法是将lm_robust()的结果转换为lm()的结果,然后使用stargazer生成表格。这可以通过将异方差稳健标准误差替换为传统的标准误差来实现。另一种方法是使用其他支持异方差稳健回归模型的R包,例如sandwich包和lmtest包,它们可以生成与lm_robust()函数相似的结果,并且可以与stargazer一起使用。

总结起来,stargazer给出了lm回归输出的输出表,而不是lm_robust()的输出表,是因为stargazer目前不支持异方差稳健回归模型。如果你需要生成异方差稳健回归模型的结果表格,可以考虑使用其他支持该模型的R包,或者将结果转换为lm模型的结果后再使用stargazer。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • R语言从入门到精通:Day13

    在前面两次的教程中,我们学习了方差分析和回归分析,它们都属于线性模型,即它们可以通过一系列连续型 和/或类别型预测变量来预测正态分布的响应变量。但在许多情况下,假设因变量为正态分布(甚至连续型变量)并不合理,比如:结果变量可能是类别型的,如二值变量(比如:是/否、通过/未通过、活着/死亡)和多分类变量(比如差/良好/优秀)都显然不是正态分布;结果变量可能是计数型的(比如,一周交通事故的数目,每日酒水消耗的数量),这类变量都是非负的有限值,而且它们的均值和方差通常都是相关的(正态分布变量间不是如此,而是相互独立)。广义线性模型就包含了非正态因变量的分析,本次教程的主要内容就是关于广义线性模型中流行的模型:Logistic回归(因变量为类别型)和泊松回归(因变量为计数型)。

    02

    Greenplum 实时数据仓库实践(10)——集成机器学习库MADlib

    MADlib是一个基于SQL的数据库内置的开源机器学习库,具有良好的并行度和可扩展性,有高度的预测精准度。MADlib最初由Pivotal公司与伯克利大学合作开发,提供了多种数据转换、数据探索、概率统计、数据挖掘和机器学习方法,使用它能够简易地对结构化数据进行分析和学习,以满足各行各业的应用需求。用户可以非常方便地将MADlib加载到数据库中,从而扩展数据库的分析功能。2015年7月MADlib成为Apache软件基金会的孵化器项目,经过两年的发展,于2017年8月毕业成为Apache顶级项目。最新的MADlib 1.18.0可以与PostgreSQL、Greenplum和HAWQ等数据库系统无缝集成。Greenplum MADlib扩展提供了在Greenplum数据库中进行机器学习和深度学习工作的能力。

    02
    领券