r - 逻辑回归 : glmer vs bife

Question

我正在处理面板数据集并尝试运行具有固定效果的逻辑回归。

我发现 lme4 包和 bife 包中的 glmer 模型适合这种工作。

然而，当我对每个模型进行回归时，我没有得到相同的结果(估计值、标准误差等)

这是带有截距的 glmer 模型的代码和结果:

glmer_1 <- glmer(CVC_dummy~at_log + (1|year), data=own, family=binomial(link="logit"))
summary(glmer_1)

             Estimate  Std. Error  zvalue  Pr(>|z|)    
(Intercept) -6.43327    0.09635   -66.77   <2e-16 ***
at_log       0.46335    0.01101    42.09   <2e-16 ***

没有拦截:

glmer_2 <- glmer(CVC_dummy~at_log + (1|year)-1, data=own, family=binomial(link="logit"))
summary(glmer_2)

        Estimate  Std.Error  z value  Pr(>|z|)    
at_log  0.46554    0.01099   42.36   <2e-16 ***

还有 bife 包:

bife_1 <- bife(CVC_dummy~at_log | year, data=own, model="logit")
summary(bife_1)

        Estimate  Std. error  t-value  Pr(> t)    
at_log   0.4679    0.0110      42.54   <2e-16 ***

为什么两个包的 at_log 估计系数不同？

我应该使用哪个包？

Answer 1

固定效应和随机效应这两个术语很容易混淆。从你的第一句话来看，我猜你打算计算一个固定效应模型。

但是，bife 计算固定效应模型时，glmer 计算随机效应模型/混合效应模型。

两者经常混淆，因为随机效应模型在固定效应(您通常的系数，您感兴趣的自变量)和随机效应(随机截距和/或随机斜率的方差/标准偏差)之间存在差异.

另一方面，固定效应模型之所以这样称呼，是因为它们通过为每个组包含一个虚拟变量 (-1) 来抵消个体差异，因此为每个组包含一个固定效应。

然而，并非所有固定效应模型都通过包含指标变量来工作:Bife 使用伪贬值 - 然而，结果是相同的，它仍然被称为固定效应模型。