从MuMIn中提取用于乳胶输出的平均模型

Question

我试图从MuMIn中提取两种不同的平均模型，以便通过texreg或stargazer输出到latex。我想要一个表，在这个表中，我可以比较两个物种对不同的非生物变量集的响应，这个表看起来与一个由两个模型对象创建的表相同

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

上面的代码将适用于glm对象，但不适用于在MuMIn中创建的平均模型对象。

我在示例上尝试了一个示例，输出一个文本表，该表可以输出到latex。

下面是一个使用cement数据的可重复的示例：

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)

这个很好用。但是当我打电话

MA.ests$avg.model

我得到>零。

有人反对avg.model吗？或者还有其他方法可以做到这一点？

我可以用这三个电话中的任何一个来解决问题，但它们不是我想要的。

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胶乳中。)

谢谢您的建议。

Answer 1

最新版本1.34.3的texreg包支持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

有关细化，请参见帮助页上的两个extract方法的参数：?extract

Answer 2

如果不需要依赖项，则可以直接从摘要对象获取p值：

summary(averagingobject)$coefmat.full

summary(averagingobject)$coefmat.subset