当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


R broom glance.gmm 扫视 a(n) gmm 对象


Glance 接受模型对象并返回 tibble::tibble(),其中仅包含一行模型摘要。摘要通常是拟合优度度量、残差假设检验的 p 值或模型收敛信息。

Glance 永远不会返返回自对建模函数的原始调用的信息。这包括建模函数的名称或传递给建模函数的任何参数。

Glance 不计算汇总度量。相反,它将这些计算外包给适当的方法并将结果收集在一起。有时拟合优度测量是不确定的。在这些情况下,该度量将报告为 NA

无论模型矩阵是否秩亏,Glance 都会返回相同的列数。如果是这样,则不再具有明确定义值的列中的条目将使用适当类型的 NA 进行填充。

用法

# S3 method for gmm
glance(x, ...)

参数

x

gmm::gmm() 返回的 gmm 对象。

...

附加参数。不曾用过。仅需要匹配通用签名。注意:拼写错误的参数将被吸收到 ... 中,并被忽略。如果拼写错误的参数有默认值,则将使用默认值。例如,如果您传递 conf.lvel = 0.9 ,所有计算将使用 conf.level = 0.95 进行。这里有两个异常:

  • tidy() 方法在提供 exponentiate 参数时会发出警告(如果该参数将被忽略)。

  • augment() 方法在提供 newdata 参数时会发出警告(如果该参数将被忽略)。

也可以看看

glance() , gmm::gmm()

其他 gmm 整理器:tidy.gmm()

恰好只有一行和一列的 tibble::tibble()

df

模型使用的自由度。

df.residual

剩余自由度。

nobs

使用的观察数。

p.value

对应于检验统计量的 P 值。

statistic

检验统计量。

例子


# load libraries for models and data
library(gmm)

# examples come from the "gmm" package
# CAPM test with GMM
data(Finance)
r <- Finance[1:300, 1:10]
rm <- Finance[1:300, "rm"]
rf <- Finance[1:300, "rf"]

z <- as.matrix(r - rf)
t <- nrow(z)
zm <- rm - rf
h <- matrix(zm, t, 1)
res <- gmm(z ~ zm, x = h)

# tidy result
tidy(res)
#> # A tibble: 20 × 5
#>    term             estimate std.error statistic  p.value
#>    <chr>               <dbl>     <dbl>     <dbl>    <dbl>
#>  1 WMK_(Intercept)  -0.00467    0.0566   -0.0824 9.34e- 1
#>  2 UIS_(Intercept)   0.102      0.126     0.816  4.15e- 1
#>  3 ORB_(Intercept)   0.146      0.203     0.718  4.73e- 1
#>  4 MAT_(Intercept)   0.0359     0.110     0.326  7.45e- 1
#>  5 ABAX_(Intercept)  0.0917     0.288     0.318  7.50e- 1
#>  6 T_(Intercept)     0.0231     0.0774    0.298  7.65e- 1
#>  7 EMR_(Intercept)   0.0299     0.0552    0.542  5.88e- 1
#>  8 JCS_(Intercept)   0.117      0.155     0.756  4.50e- 1
#>  9 VOXX_(Intercept)  0.0209     0.182     0.115  9.09e- 1
#> 10 ZOOM_(Intercept) -0.219      0.202    -1.08   2.79e- 1
#> 11 WMK_zm            0.317      0.126     2.52   1.16e- 2
#> 12 UIS_zm            1.26       0.230     5.49   3.94e- 8
#> 13 ORB_zm            1.49       0.428     3.49   4.87e- 4
#> 14 MAT_zm            1.01       0.218     4.66   3.09e- 6
#> 15 ABAX_zm           1.09       0.579     1.88   5.98e- 2
#> 16 T_zm              0.849      0.154     5.52   3.41e- 8
#> 17 EMR_zm            0.741      0.0998    7.43   1.13e-13
#> 18 JCS_zm            0.959      0.348     2.76   5.85e- 3
#> 19 VOXX_zm           1.48       0.369     4.01   6.04e- 5
#> 20 ZOOM_zm           2.08       0.321     6.46   1.02e-10
tidy(res, conf.int = TRUE)
#> # A tibble: 20 × 7
#>    term           estimate std.error statistic  p.value conf.low conf.high
#>    <chr>             <dbl>     <dbl>     <dbl>    <dbl>    <dbl>     <dbl>
#>  1 WMK_(Intercep… -0.00467    0.0566   -0.0824 9.34e- 1  -0.116      0.106
#>  2 UIS_(Intercep…  0.102      0.126     0.816  4.15e- 1  -0.144      0.348
#>  3 ORB_(Intercep…  0.146      0.203     0.718  4.73e- 1  -0.252      0.544
#>  4 MAT_(Intercep…  0.0359     0.110     0.326  7.45e- 1  -0.180      0.252
#>  5 ABAX_(Interce…  0.0917     0.288     0.318  7.50e- 1  -0.473      0.656
#>  6 T_(Intercept)   0.0231     0.0774    0.298  7.65e- 1  -0.129      0.175
#>  7 EMR_(Intercep…  0.0299     0.0552    0.542  5.88e- 1  -0.0782     0.138
#>  8 JCS_(Intercep…  0.117      0.155     0.756  4.50e- 1  -0.186      0.420
#>  9 VOXX_(Interce…  0.0209     0.182     0.115  9.09e- 1  -0.335      0.377
#> 10 ZOOM_(Interce… -0.219      0.202    -1.08   2.79e- 1  -0.616      0.177
#> 11 WMK_zm          0.317      0.126     2.52   1.16e- 2   0.0708     0.564
#> 12 UIS_zm          1.26       0.230     5.49   3.94e- 8   0.812      1.71 
#> 13 ORB_zm          1.49       0.428     3.49   4.87e- 4   0.654      2.33 
#> 14 MAT_zm          1.01       0.218     4.66   3.09e- 6   0.588      1.44 
#> 15 ABAX_zm         1.09       0.579     1.88   5.98e- 2  -0.0451     2.22 
#> 16 T_zm            0.849      0.154     5.52   3.41e- 8   0.547      1.15 
#> 17 EMR_zm          0.741      0.0998    7.43   1.13e-13   0.545      0.936
#> 18 JCS_zm          0.959      0.348     2.76   5.85e- 3   0.277      1.64 
#> 19 VOXX_zm         1.48       0.369     4.01   6.04e- 5   0.758      2.21 
#> 20 ZOOM_zm         2.08       0.321     6.46   1.02e-10   1.45       2.71 
tidy(res, conf.int = TRUE, conf.level = .99)
#> # A tibble: 20 × 7
#>    term           estimate std.error statistic  p.value conf.low conf.high
#>    <chr>             <dbl>     <dbl>     <dbl>    <dbl>    <dbl>     <dbl>
#>  1 WMK_(Intercep… -0.00467    0.0566   -0.0824 9.34e- 1 -0.151       0.141
#>  2 UIS_(Intercep…  0.102      0.126     0.816  4.15e- 1 -0.221       0.426
#>  3 ORB_(Intercep…  0.146      0.203     0.718  4.73e- 1 -0.377       0.669
#>  4 MAT_(Intercep…  0.0359     0.110     0.326  7.45e- 1 -0.248       0.320
#>  5 ABAX_(Interce…  0.0917     0.288     0.318  7.50e- 1 -0.650       0.834
#>  6 T_(Intercept)   0.0231     0.0774    0.298  7.65e- 1 -0.176       0.223
#>  7 EMR_(Intercep…  0.0299     0.0552    0.542  5.88e- 1 -0.112       0.172
#>  8 JCS_(Intercep…  0.117      0.155     0.756  4.50e- 1 -0.281       0.515
#>  9 VOXX_(Interce…  0.0209     0.182     0.115  9.09e- 1 -0.447       0.489
#> 10 ZOOM_(Interce… -0.219      0.202    -1.08   2.79e- 1 -0.740       0.302
#> 11 WMK_zm          0.317      0.126     2.52   1.16e- 2 -0.00656     0.641
#> 12 UIS_zm          1.26       0.230     5.49   3.94e- 8  0.671       1.85 
#> 13 ORB_zm          1.49       0.428     3.49   4.87e- 4  0.391       2.60 
#> 14 MAT_zm          1.01       0.218     4.66   3.09e- 6  0.454       1.58 
#> 15 ABAX_zm         1.09       0.579     1.88   5.98e- 2 -0.401       2.58 
#> 16 T_zm            0.849      0.154     5.52   3.41e- 8  0.453       1.25 
#> 17 EMR_zm          0.741      0.0998    7.43   1.13e-13  0.484       0.998
#> 18 JCS_zm          0.959      0.348     2.76   5.85e- 3  0.0627      1.85 
#> 19 VOXX_zm         1.48       0.369     4.01   6.04e- 5  0.530       2.43 
#> 20 ZOOM_zm         2.08       0.321     6.46   1.02e-10  1.25        2.91 

# coefficient plot
library(ggplot2)
library(dplyr)

tidy(res, conf.int = TRUE) %>%
  mutate(variable = reorder(term, estimate)) %>%
  ggplot(aes(estimate, variable)) +
  geom_point() +
  geom_errorbarh(aes(xmin = conf.low, xmax = conf.high)) +
  geom_vline(xintercept = 0, color = "red", lty = 2)


# from a function instead of a matrix
g <- function(theta, x) {
  e <- x[, 2:11] - theta[1] - (x[, 1] - theta[1]) %*% matrix(theta[2:11], 1, 10)
  gmat <- cbind(e, e * c(x[, 1]))
  return(gmat)
}

x <- as.matrix(cbind(rm, r))
res_black <- gmm(g, x = x, t0 = rep(0, 11))

tidy(res_black)
#> # A tibble: 11 × 5
#>    term      estimate std.error statistic  p.value
#>    <chr>        <dbl>     <dbl>     <dbl>    <dbl>
#>  1 Theta[1]    0.516     0.172     3.00   2.72e- 3
#>  2 Theta[2]    1.12      0.116     9.65   5.02e-22
#>  3 Theta[3]    0.680     0.197     3.45   5.65e- 4
#>  4 Theta[4]   -0.0322    0.424    -0.0761 9.39e- 1
#>  5 Theta[5]    0.850     0.155     5.49   4.05e- 8
#>  6 Theta[6]   -0.205     0.479    -0.429  6.68e- 1
#>  7 Theta[7]    0.625     0.122     5.14   2.73e- 7
#>  8 Theta[8]    1.05      0.0687   15.3    5.03e-53
#>  9 Theta[9]    0.640     0.233     2.75   5.92e- 3
#> 10 Theta[10]   0.596     0.295     2.02   4.36e- 2
#> 11 Theta[11]   1.16      0.240     4.82   1.45e- 6
tidy(res_black, conf.int = TRUE)
#> # A tibble: 11 × 7
#>    term      estimate std.error statistic  p.value conf.low conf.high
#>    <chr>        <dbl>     <dbl>     <dbl>    <dbl>    <dbl>     <dbl>
#>  1 Theta[1]    0.516     0.172     3.00   2.72e- 3   0.178      0.853
#>  2 Theta[2]    1.12      0.116     9.65   5.02e-22   0.889      1.34 
#>  3 Theta[3]    0.680     0.197     3.45   5.65e- 4   0.293      1.07 
#>  4 Theta[4]   -0.0322    0.424    -0.0761 9.39e- 1  -0.862      0.798
#>  5 Theta[5]    0.850     0.155     5.49   4.05e- 8   0.546      1.15 
#>  6 Theta[6]   -0.205     0.479    -0.429  6.68e- 1  -1.14       0.733
#>  7 Theta[7]    0.625     0.122     5.14   2.73e- 7   0.387      0.864
#>  8 Theta[8]    1.05      0.0687   15.3    5.03e-53   0.919      1.19 
#>  9 Theta[9]    0.640     0.233     2.75   5.92e- 3   0.184      1.10 
#> 10 Theta[10]   0.596     0.295     2.02   4.36e- 2   0.0171     1.17 
#> 11 Theta[11]   1.16      0.240     4.82   1.45e- 6   0.686      1.63 

# APT test with Fama-French factors and GMM

f1 <- zm
f2 <- Finance[1:300, "hml"] - rf
f3 <- Finance[1:300, "smb"] - rf
h <- cbind(f1, f2, f3)
res2 <- gmm(z ~ f1 + f2 + f3, x = h)

td2 <- tidy(res2, conf.int = TRUE)
td2
#> # A tibble: 40 × 7
#>    term            estimate std.error statistic p.value conf.low conf.high
#>    <chr>              <dbl>     <dbl>     <dbl>   <dbl>    <dbl>     <dbl>
#>  1 WMK_(Intercept) -0.0240     0.0548   -0.438    0.662  -0.131     0.0834
#>  2 UIS_(Intercept)  0.0723     0.127     0.567    0.570  -0.177     0.322 
#>  3 ORB_(Intercept)  0.114      0.212     0.534    0.593  -0.303     0.530 
#>  4 MAT_(Intercept)  0.0694     0.0979    0.709    0.478  -0.122     0.261 
#>  5 ABAX_(Intercep…  0.0668     0.275     0.242    0.808  -0.473     0.606 
#>  6 T_(Intercept)    0.0195     0.0745    0.262    0.793  -0.126     0.165 
#>  7 EMR_(Intercept)  0.0217     0.0538    0.404    0.687  -0.0837    0.127 
#>  8 JCS_(Intercept)  0.0904     0.154     0.586    0.558  -0.212     0.393 
#>  9 VOXX_(Intercep… -0.00706    0.179    -0.0394   0.969  -0.359     0.344 
#> 10 ZOOM_(Intercep… -0.189      0.215    -0.878    0.380  -0.610     0.233 
#> # ℹ 30 more rows

# coefficient plot
td2 %>%
  mutate(variable = reorder(term, estimate)) %>%
  ggplot(aes(estimate, variable)) +
  geom_point() +
  geom_errorbarh(aes(xmin = conf.low, xmax = conf.high)) +
  geom_vline(xintercept = 0, color = "red", lty = 2)

源代码:R/gmm-tidiers.R

相关用法


注:本文由纯净天空筛选整理自大神的英文原创作品 Glance at a(n) gmm object。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。