我正在处理面板数据集并尝试运行具有固定效果的逻辑回归。
我发现 lme4 包和 bife 包中的 glmer 模型适合这种工作。
然而,当我对每个模型进行回归时,我没有得到相同的结果(估计值、标准误差等)
这是带有截距的 glmer 模型的代码和结果:
glmer_1 <- glmer(CVC_dummy~at_log + (1|year), data=own, family=binomial(link="logit"))
summary(glmer_1)
Estimate Std. Error zvalue Pr(>|z|)
(Intercept) -6.43327 0.09635 -66.77 <2e-16 ***
at_log 0.46335 0.01101 42.09 <2e-16 ***
没有拦截:
glmer_2 <- glmer(CVC_dummy~at_log + (1|year)-1, data=own, family=binomial(link="logit"))
summary(glmer_2)
Estimate Std.Error z value Pr(>|z|)
at_log 0.46554 0.01099 42.36 <2e-16 ***
还有 bife 包:
bife_1 <- bife(CVC_dummy~at_log | year, data=own, model="logit")
summary(bife_1)
Estimate Std. error t-value Pr(> t)
at_log 0.4679 0.0110 42.54 <2e-16 ***
为什么两个包的 at_log 估计系数不同?
我应该使用哪个包?
最佳答案
固定效应和随机效应这两个术语很容易混淆。从你的第一句话来看,我猜你打算计算一个固定效应模型。
但是,bife
计算固定效应模型时,glmer
计算随机效应模型/混合效应模型。
两者经常混淆,因为随机效应模型在固定效应(您通常的系数,您感兴趣的自变量)和随机效应(随机截距和/或随机斜率的方差/标准偏差)之间存在差异.
另一方面,固定效应模型之所以这样称呼,是因为它们通过为每个组包含一个虚拟变量 (-1) 来抵消个体差异,因此为每个组包含一个固定效应。
然而,并非所有固定效应模型都通过包含指标变量来工作:Bife 使用伪贬值 - 然而,结果是相同的,它仍然被称为固定效应模型。
关于r - 逻辑回归 : glmer vs bife,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54787801/