bayesglm 的回归 table？

Question

stargazer is a great tool to generate a regression table if you are not using bayesglm。例如，假设我有以下数据：

library(dplyr)
set.seed(9782)
N<-1000
df1 <- data.frame(v1=sample(c(0,1),N,replace = T),
                  v2=sample(c(0,1),N,replace = T),
                  Treatment=sample(c("A", "B", "C"), N, replace = T),
                  noise=rnorm(N)) %>% 
  mutate(Y=0.5*v1-0.7*v2+2*I(Treatment=="B")+3*I(Treatment=="C")+noise)

我可以运行 lm 然后为我的 r markdown 创建 html （或文本）输出：

lm(data = df1, formula = Y~Treatment+v1+v2) %>% 
  stargazer::stargazer(type="html", style = "qje")

有没有办法为 bayesglm 做类似的事情？在这种情况下，pointEstimate 具有系数，standardError 具有标准误差

library(arm)
fit <- bayesglm(data = df1, formula = Y~Treatment+v1+v2)
posteriorDraws <- coef(sim(fit, n.sims=5000))
pointEstimate <- colMeans(posteriorDraws)
standardError <- apply(posteriorDraws, 2, sd)

Answer 1

看起来像这样就可以了：

library(texreg)
htmlreg(fit)

对于文本：

screenreg(list(fit))

Answer 2

正如@rawr 在评论中指出的那样，stargazer 是——虽然有用——但不幸的是，它是以一种相当单一、难以扩展的风格编写的。 broom package 是 (IMO) 一个设计精美的 modular/object-oriented 框架，用于从大量模型类型中提取摘要信息，但它并不面向生成 textual/tabular 摘要。对于那些喜欢那种东西的人来说，如果 stargazer 前端可以嫁接到 broom 后端上就好了，但那将是 lot 工作的。与此同时，除了破解内部 stargazer:::.stargazer.wrap 函数之外，这种方法（欺骗 stargazer 相信 fit 实际上是一个 lm() 模型） 有点像 作品：

class(fit) <- c("glm","lm")
fit$call[1] <- quote(lm())
stargazer(fit)

它显示了 fit 对象中内置的系数和标准误差，而不是后验绘制的输出，但在这个例子中至少这些答案非常相似。

Answer 3

如果您对降价没问题，那么 generic pander S3 method 通常会做得很好：

> pander(fit, round = 4)

--------------------------------------------------------------
     &nbsp;        Estimate   Std. Error   t value   Pr(>|t|) 
----------------- ---------- ------------ --------- ----------
 **(Intercept)**    0.0864      0.0763      1.131     0.2581  

 **TreatmentB**     1.951       0.0826      23.62       0     

 **TreatmentC**     3.007       0.0802      37.49       0     

     **v1**         0.4555      0.0659      6.915       0     

     **v2**        -0.6845      0.0659     -10.39       0     
--------------------------------------------------------------

Table: Fitting generalized (gaussian/identity) linear model: Y ~ Treatment + v1 + v2

请注意，我在这个例子中强制对数字进行四舍五入，因为一些 P 值非常低，所以默认的 digits 和其他 global options 会导致非常宽的 table。但是还有一些您可能想要使用的其他参数，例如：

> pander(summary(fit), round = 4, add.significance.stars = TRUE, move.intercept = TRUE, summary = TRUE, split.cells = Inf)

----------------------------------------------------------------------
     &nbsp;        Estimate   Std. Error   t value   Pr(>|t|)         
----------------- ---------- ------------ --------- ---------- -------
 **TreatmentB**     1.951       0.0826      23.62       0       * * * 

 **TreatmentC**     3.007       0.0802      37.49       0       * * * 

     **v1**         0.4555      0.0659      6.915       0       * * * 

     **v2**        -0.6845      0.0659     -10.39       0       * * * 

 **(Intercept)**    0.0864      0.0763      1.131     0.2581          
----------------------------------------------------------------------


(Dispersion parameter for  gaussian  family taken to be  1.083267 )


-------------------- -----------------------------------
   Null deviance:     2803  on 999  degrees of freedom  

 Residual deviance:   1078  on 995  degrees of freedom  
-------------------- -----------------------------------

bayesglm 的回归 table？

Regression table for bayesglm?

r

bayesglm

pander

stargazer