从 MuMIn 中提取平均模型用于乳胶输出

Question

我正在尝试从MuMIn 中提取两个不同的平均模型，以便通过texreg 或stargazer 输出到乳胶。我想要一张表，我可以在其中比较两个物种对不同非生物变量集的反应，这看起来与使用两个模型对象创建的表相同

glmtable <- texreg(list(m1, m2).

上述代码适用于 glm 对象，但不适用于在 MuMIn 中创建的平均模型对象。

我尝试按照https://sites.google.com/site/rforfishandwildlifegrads/home/mumin_usage_examples 的示例输出一个可以输出到latex 的文本表。

这是一个使用水泥数据的可重现示例：

library(MuMIn)
data(cement)

# full model
fm1 <- lm(y ~ ., data = Cement, na.action = na.fail)
# create and examine candidate models
(ms1 <- dredge(fm1))

# average models with delta AICc <5, include adjusted SE
MA.ests<-model.avg(ms1, subset= delta < 5, revised.var = TRUE)

这很好用。但是当我打电话时

MA.ests$avg.model

我得到>NULL。

是否已弃用 avg.model？还是有其他方法可以做到这一点？

我可以使用这三个调用中的任何一个来解决问题，但它们并不是我想要的。

coefTable(MA.ests)
coef(MA.ests)
modavg.table <- as.data.frame(summary(MA.ests)$coefmat)

（也就是说，我不知道如何在没有更多代码的情况下将这些对象放入 Latex 中。）

提前感谢您的任何建议。

Answer 1

texreg 包的latest version 1.34.3 支持model.selection 和averaging 对象。

您的代码示例：

library("texreg")
library("MuMIn")
data(cement)
fm1 <- lm(y ~ ., data = Cement, na.action = na.fail)
ms1 <- dredge(fm1)

screenreg(ms1)

产量：

==========================================================================================================================================================================================================
                Model 1     Model 2     Model 3     Model 4     Model 5     Model 6     Model 7   Model 8     Model 9     Model 10    Model 11    Model 12  Model 13    Model 14    Model 15    Model 16  
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
(Intercept)      52.58 ***   71.65 ***   48.19 ***  103.10 ***  111.68 ***  203.64 ***   62.41    131.28 ***   72.07 ***  117.57 ***   57.42 ***   94.16     81.48 ***   72.35 ***  110.20 ***   95.42 ***
                 (2.29)     (14.14)      (3.91)      (2.12)      (4.56)     (20.65)     (70.07)    (3.27)      (7.38)      (5.26)      (8.49)     (56.63)    (4.93)     (17.05)      (7.95)      (4.17)   
X1                1.47 ***    1.45 ***    1.70 ***    1.44 ***    1.05 ***                1.55 *                                                              1.87 ***    2.31 *                          
                 (0.12)      (0.12)      (0.20)      (0.14)      (0.22)                  (0.74)                                                              (0.53)      (0.96)                           
X2                0.66 ***    0.42 *      0.66 ***                           -0.92 ***    0.51                  0.73 ***                0.79 ***    0.31                                                  
                 (0.05)      (0.19)      (0.04)                              (0.26)      (0.72)                (0.12)                  (0.17)      (0.75)                                                 
X4                           -0.24                   -0.61 ***   -0.64 ***   -1.56 ***   -0.14     -0.72 ***               -0.74 ***               -0.46                                                  
                             (0.17)                  (0.05)      (0.04)      (0.24)      (0.71)    (0.07)                  (0.15)                  (0.70)                                                 
X3                                        0.25                   -0.41 *     -1.45 ***    0.10     -1.20 ***   -1.01 ***                                                  0.49       -1.26 *              
                                         (0.18)                  (0.20)      (0.15)      (0.75)    (0.19)      (0.29)                                                    (0.88)      (0.60)               
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Log Likelihood  -28.16      -26.93      -26.95      -29.82      -27.31      -29.73      -26.92    -35.37      -40.96      -45.87      -46.04      -45.76    -48.21      -48.00      -50.98      -53.17    
AICc             69.31       72.44       72.48       72.63       73.19       78.04       79.84     83.74       94.93      100.41      100.74      104.52    105.08      109.01      110.63      111.54    
Delta             0.00        3.13        3.16        3.32        3.88        8.73       10.52     14.43       25.62       31.10       31.42       35.21     35.77       39.70       41.31       42.22    
Weight            0.57        0.12        0.12        0.11        0.08        0.01        0.00      0.00        0.00        0.00        0.00        0.00      0.00        0.00        0.00        0.00    
Num. obs.        13          13          13          13          13          13          13        13          13          13          13          13        13          13          13          13       
==========================================================================================================================================================================================================
*** p < 0.001, ** p < 0.01, * p < 0.05

和模型平均：

MA.ests <- model.avg(ms1, subset = delta < 5, revised.var = TRUE)

screenreg(MA.ests)

产量：

=======================
             Model 1   
-----------------------
(Intercept)   64.69 ** 
             (22.24)   
X1             1.46 ***
              (0.20)   
X2             0.63 ***
              (0.12)   
X4            -0.48 *  
              (0.22)   
X3            -0.02    
              (0.38)   
-----------------------
Num. obs.     13       
=======================
*** p < 0.001, ** p < 0.01, * p < 0.05

有关微调，另请参阅帮助页面上的两个 extract 方法的参数：?extract

Answer 2

如果你不想要依赖，你可以直接从摘要对象中获取 p 值：

summary(averagingobject)$coefmat.full

summary(averagingobject)$coefmat.subset