r-让观星者在多项式逻辑回归中打印观测值的数量

Question

有没有办法在观星表中打印多项式逻辑回归模型的观测次数？此示例代码说明了这个问题。非常感谢。

var1<-sample(c('A', 'B', 'C'), size=1000, replace=T)
var2<-rnorm(n=1000)
var3<-rnorm(n=1000)
df<-data.frame(var1, var2, var3)
library(nnet)
mod1<-multinom(var1~var2+var3, data=df)
library(stargazer)
stargazer(mod1, nobs=T, type="text")

Answer 1

Stargazer是一个非常好的包，但有时你必须做一些调整"手工"；。如果你想在你的输出中有观察的数量，这就是如何做到的：

stargazer(mod1, 
type="text", 
add.lines = list(c("n", nrow(df), nrow(df))))

如果你想用乳胶创建一个表，你可以使用：

stargazer(mod1, 
type="latex", 
add.lines = list(c("\textit{$n$}", nrow(df), nrow(df))))

这种方法使得一旦你在乳胶中渲染它；n〃；将采用数学字体。

==============================================
Dependent variable:     
----------------------------
B              C      
(1)            (2)     
----------------------------------------------
var2                  0.0002        -0.055    
(0.080)        (0.079)   

var3                  -0.088         0.012    
(0.078)        (0.077)   

Constant              -0.029         0.030    
(0.078)        (0.077)   

----------------------------------------------
n                      1000          1000     
Akaike Inf. Crit.   2,206.078      2,206.078  
==============================================
Note:              *p<0.1; **p<0.05; ***p<0.01

希望这就是你一直以来的要求。

Answer 2

texreg对您有用吗？

library(texreg)
screenreg(list(mod1))
# ====================================
#                 B          C        
# ------------------------------------
# (Intercept)         0.01      -0.03 
#                    (0.08)     (0.08)
# var2               -0.06       0.01 
#                    (0.08)     (0.08)
# var3                0.04       0.10 
#                    (0.08)     (0.08)
# ------------------------------------
# AIC              2206.34    2206.34 
# BIC              2235.79    2235.79 
# Log Likelihood  -1097.17   -1097.17 
# Deviance         2194.34    2194.34 
# Num. obs.        1000       1000    
# ====================================
# *** p < 0.001, ** p < 0.01, * p < 0.05

我可能错了，但我不确定用nnet和stargazer能轻易做到这一点。你可以让你的模型模仿不同的输出。请参阅此处了解该类型的方法。