Este escrito fue aprobado por nuestros expertos para que tengas la garantía de la veracidad de esta reseña.
Solución:
Es posible que desee mirar el rms
(estrategias de modelado de regresión) paquete. Asi que, lrm
es el modelo de regresión logística, y si fit
es el nombre de su salida, tendría algo como esto:
fit=lrm(disease ~ age + study + rcs(bmi,3), x=T, y=T, data=dataf)
fit
robcov(fit, cluster=dataf$id)
bootcov(fit,cluster=dataf$id)
tienes que especificar x=T
, y=T
en el modelo de declaración. rcs
indica splines cúbicos restringidos con 3 nudos.
Me he estado golpeando la cabeza contra este problema durante los últimos dos días; Encontré mágicamente lo que parece ser un nuevo paquete que parece estar destinado a grandes cosas; por ejemplo, también estoy ejecutando en mi análisis algunos modelos Tobit robustos para clústeres, y este paquete también tiene esa funcionalidad incorporada. Sin mencionar que la sintaxis es mucho más limpio que en todas las otras soluciones que he visto (estamos hablando de niveles de limpieza cercanos a Stata).
Entonces, para tu ejemplo de juguete, ejecutaría:
library(Zelig)
logit<-zelig(Y~X1+X2+X3,data=data,model="logit",robust=T,cluster="Z")
Et voila!
hay un comando glm.cluster
en el paquete R miceadds
que parece dar los mismos resultados para la regresión logística que Stata con la opción vce(cluster)
. Ver la documentación aquí.
En uno de los ejemplos de esta página, los comandos
mod2 <- miceadds::glm.cluster(data=dat, formula=highmath ~ hisei + female,
cluster="idschool", family="binomial")
summary(mod2)
dar los mismos errores estándar robustos que el comando de Stata
logit highmath hisei female, vce(cluster idschool)
por ejemplo, un error estándar de 0.004038 para la variable hisei
.