Регрессионный стол для байесов?

Question

stargazer - отличный инструмент для создания таблицы регрессии, если вы не используете bayesglm. Например, предположим, что у меня есть следующие данные:

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) 

я могу запустить lm, а затем создать HTML (или текст) выход для моего г уценки:

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

Есть ли способ сделать что-то подобное для bayesglm? В этом случае pointEstimate имеет коэффициенты и standardError стандартные ошибки

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

Похоже, это трюк:

library(texreg) 
htmlreg(fit) 

и для текста:

screenreg(list(fit)) 

Answer 2

Как @rawr точек в комментариях stargazer - в то время как полезный - к сожалению, написанный в довольно монолитном, жестком стиле. broom package представляет собой (ИМО) хорошо разработанную модульную/объектно-ориентированную структуру для извлечения сводной информации из большого диапазона типов моделей, но она не ориентирована на составление текстовых/табличных резюме. Для тех, кому это нравится, было бы здорово, если бы передний конец stargazer мог быть перенесен на задний конец broom, но это было бы лот работы. В том же время, короткий взлом внутренней stargazer:::.stargazer.wrap функции, этот метод (обманный stargazer, полагая, что fit на самом деле lm() модели) рода работ:

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

Он представляет коэффициенты и стандартные ошибки, которые построены в объект fit, а не на выход ваших задних рисунков, но в этом примере по крайней мере эти ответы очень похожи.

Answer 3

Если вы ОК с уценкой, то generic pander S3 method обычно делает очень хорошую работу:

> pander(fit, round = 4) 

-------------------------------------------------------------- 
       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 

Пожалуйста, обратите внимание, что я вынужден цифры, чтобы быть округлены в этом примере, так как некоторые значения P были крайне низкими, поэтому по умолчанию digits и другие global options приведут к чрезвычайно широкой таблице. Но есть некоторые Othe PARAMS вы можете захотеть использовать, например:

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

---------------------------------------------------------------------- 
       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 
-------------------- -----------------------------------