這些方法整理了 mlogit
包的函數生成的 mnl 和 nl 模型的係數。
參數
- x
-
從
mlogit::mlogit()
返回的對象。 - conf.int
-
邏輯指示是否在整理的輸出中包含置信區間。默認為
FALSE
。 - conf.level
-
用於置信區間的置信水平(如果
conf.int = TRUE
)。必須嚴格大於 0 且小於 1。默認為 0.95,對應於 95% 的置信區間。 - ...
-
附加參數。不曾用過。僅需要匹配通用簽名。注意:拚寫錯誤的參數將被吸收到
...
中,並被忽略。如果拚寫錯誤的參數有默認值,則將使用默認值。例如,如果您傳遞conf.lvel = 0.9
,所有計算將使用conf.level = 0.95
進行。這裏有兩個異常:
也可以看看
其他 mlogit 整理器:augment.mlogit()
、glance.mlogit()
值
帶有列的 tibble::tibble()
:
- conf.high
-
估計置信區間的上限。
- conf.low
-
估計置信區間的下限。
- estimate
-
回歸項的估計值。
- p.value
-
與觀察到的統計量相關的兩側 p 值。
- statistic
-
在回歸項非零的假設中使用的 T-statistic 的值。
- std.error
-
回歸項的標準誤差。
- term
-
回歸項的名稱。
例子
# load libraries for models and data
library(mlogit)
data("Fishing", package = "mlogit")
Fish <- dfidx(Fishing, varying = 2:9, shape = "wide", choice = "mode")
# fit model
m <- mlogit(mode ~ price + catch | income, data = Fish)
# summarize model fit with tidiers
tidy(m)
#> # A tibble: 8 × 5
#> term estimate std.error statistic p.value
#> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 (Intercept):boat 0.527 0.223 2.37 1.79e- 2
#> 2 (Intercept):charter 1.69 0.224 7.56 3.95e-14
#> 3 (Intercept):pier 0.778 0.220 3.53 4.18e- 4
#> 4 price -0.0251 0.00173 -14.5 0
#> 5 catch 0.358 0.110 3.26 1.12e- 3
#> 6 income:boat 0.0000894 0.0000501 1.79 7.40e- 2
#> 7 income:charter -0.0000333 0.0000503 -0.661 5.08e- 1
#> 8 income:pier -0.000128 0.0000506 -2.52 1.18e- 2
augment(m)
#> # A tibble: 4,728 × 9
#> id alternative chosen price catch income .probability .fitted
#> <int> <fct> <lgl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 1 beach FALSE 158. 0.0678 7083. 0.125 -3.94
#> 2 1 boat FALSE 158. 0.260 7083. 0.427 -2.71
#> 3 1 charter TRUE 183. 0.539 7083. 0.339 -2.94
#> 4 1 pier FALSE 158. 0.0503 7083. 0.109 -4.07
#> 5 2 beach FALSE 15.1 0.105 1250. 0.116 -0.342
#> 6 2 boat FALSE 10.5 0.157 1250. 0.251 0.431
#> 7 2 charter TRUE 34.5 0.467 1250. 0.423 0.952
#> 8 2 pier FALSE 15.1 0.0451 1250. 0.210 0.255
#> 9 3 beach FALSE 162. 0.533 3750. 0.00689 -3.87
#> 10 3 boat TRUE 24.3 0.241 3750. 0.465 0.338
#> # ℹ 4,718 more rows
#> # ℹ 1 more variable: .resid <dbl>
glance(m)
#> # A tibble: 1 × 6
#> logLik rho2 rho20 AIC BIC nobs
#> <dbl> <dbl> <dbl> <dbl> <dbl> <int>
#> 1 -1215. 0.189 0.258 2446. NA 1182
相關用法
- R broom tidy.mlm 整理 a(n) 傳銷對象
- R broom tidy.mle2 整理 a(n) mle2 對象
- R broom tidy.map 整理 a(n) Map對象
- R broom tidy.margins 整理 a(n) 邊距對象
- R broom tidy.mjoint 整理 a(n) mjoint 對象
- R broom tidy.manova 整理 a(n) 方差分析對象
- R broom tidy.muhaz 整理 a(n) muhaz 對象
- R broom tidy.mfx 整理 a(n) mfx 對象
- R broom tidy.mediate 整理 a(n) 中介對象
- R broom tidy.multinom 多項邏輯回歸模型的整理方法
- R broom tidy.robustbase.glmrob 整理 a(n) glmrob 對象
- R broom tidy.acf 整理 a(n) acf 對象
- R broom tidy.robustbase.lmrob 整理 a(n) lmrob 對象
- R broom tidy.biglm 整理 a(n) biglm 對象
- R broom tidy.garch 整理 a(n) garch 對象
- R broom tidy.rq 整理 a(n) rq 對象
- R broom tidy.kmeans 整理 a(n) kmeans 對象
- R broom tidy.betamfx 整理 a(n) betamfx 對象
- R broom tidy.anova 整理 a(n) anova 對象
- R broom tidy.btergm 整理 a(n) btergm 對象
- R broom tidy.cv.glmnet 整理 a(n) cv.glmnet 對象
- R broom tidy.roc 整理 a(n) roc 對象
- R broom tidy.poLCA 整理 a(n) poLCA 對象
- R broom tidy.emmGrid 整理 a(n) emmGrid 對象
- R broom tidy.Kendall 整理 a(n) Kendall 對象
注:本文由純淨天空篩選整理自等大神的英文原創作品 Tidying methods for logit models。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。