在 R 中使用 bife 获取截距以进行固定效应逻辑回归
Obtain intercept using bife in R for fixed effects logistic regression
我正在尝试使用 R 中的 bife 包来估计具有固定效应的逻辑回归模型。我使用这个 link - bife vignette - 来建立模型。在 bife 命令中使用时，我的模型如下所示：
logit.bife <- bife(Y ~ X1+X2+X3+X4+...+X13 | ID)
使用bife时，如何获取截取值？它是否包含在我们在输出中获得的平均固定效应中？使用logit.bife$par_corr$avg_alpha可以得到平均固定效应。我有大约 1266 个 ID 值，我使用 logit.bife$par_corr$avg_alpha 得到 1256 个固定效应估计值。但是，我不知道如何获得截距值。小插图表明 bife 估计器与 glm 的估计器几乎相同。通常当我们使用 glm 时，我们会在模型输出中得到一个截距。
任何人都可以建议如何在使用 bife 时获得拦截？
没有单一拦截。正如 ?bife、
中所说
The term fixed effect is used in econometrician's sense of having a
time-constant dummy for each individual. All other parameters in the
model are referred to as structural parameters.
和
The linear predictor must not include any constant regressors due to
the perfect collinearity with the fixed effects.
所以，基本上我们对每个 ID 都有一个单独的拦截，这就是 bife 的重点。如果您定义了一个常量回归量并手动将其添加到模型中，那么它会由于完美的多重共线性而崩溃：无法区分截距的贡献和所有固定效应的总和。
但是，请注意，除了平均固定效应外，您还有个别固定效应，这应该只比单个数字更有趣：
logit.bife$par$alpha # Uncorrected
logit.bife$par_corr$alpha # Corrected
确实，从这个意义上讲，bife 并没有什么特别之处，如果您为 each 包含一个虚拟变量，glm 也会发生同样的情况ID（仅包括 ID 变量可能会降低一个因子水平并包括截距）。最终你应该考虑你的目标是什么；也许这些固定效应的平均值或中位数确实是您所需要的。
我正在尝试使用 R 中的 bife 包来估计具有固定效应的逻辑回归模型。我使用这个 link - bife vignette - 来建立模型。在 bife 命令中使用时，我的模型如下所示：
logit.bife <- bife(Y ~ X1+X2+X3+X4+...+X13 | ID)
使用bife时，如何获取截取值？它是否包含在我们在输出中获得的平均固定效应中？使用logit.bife$par_corr$avg_alpha可以得到平均固定效应。我有大约 1266 个 ID 值，我使用 logit.bife$par_corr$avg_alpha 得到 1256 个固定效应估计值。但是，我不知道如何获得截距值。小插图表明 bife 估计器与 glm 的估计器几乎相同。通常当我们使用 glm 时，我们会在模型输出中得到一个截距。
任何人都可以建议如何在使用 bife 时获得拦截？
没有单一拦截。正如 ?bife、
The term fixed effect is used in econometrician's sense of having a time-constant dummy for each individual. All other parameters in the model are referred to as structural parameters.
和
The linear predictor must not include any constant regressors due to the perfect collinearity with the fixed effects.
所以，基本上我们对每个 ID 都有一个单独的拦截，这就是 bife 的重点。如果您定义了一个常量回归量并手动将其添加到模型中，那么它会由于完美的多重共线性而崩溃：无法区分截距的贡献和所有固定效应的总和。
但是，请注意，除了平均固定效应外，您还有个别固定效应，这应该只比单个数字更有趣：
logit.bife$par$alpha # Uncorrected
logit.bife$par_corr$alpha # Corrected
确实，从这个意义上讲，bife 并没有什么特别之处，如果您为 each 包含一个虚拟变量，glm 也会发生同样的情况ID（仅包括 ID 变量可能会降低一个因子水平并包括截距）。最终你应该考虑你的目标是什么；也许这些固定效应的平均值或中位数确实是您所需要的。