R mlogit模型，计算奇异
首先，我花了整整一天的时间来处理格式化我的（在通过BondedDust的table（TM）建议发现一个bug后更新），适合于mLogit：R mlogit模型，计算奇异,r,mlogit,R,Mlogit,首先，我花了整整一天的时间来处理格式化我的（在通过BondedDust的table（TM）建议发现一个bug后更新），适合于mLogit： raw <-read.csv("C:\\Users\\Andy\\Desktop\\research\\Oxford\\Prefs\\rData.csv", header=T, row.names = NULL,id="id") raw <-na.omit(raw) library(mlogit) TM <- mlogit.data(r
raw <-read.csv("C:\\Users\\Andy\\Desktop\\research\\Oxford\\Prefs\\rData.csv", header=T, row.names = NULL,id="id")
raw <-na.omit(raw)
library(mlogit)
TM <- mlogit.data(raw, choice = "selected", shape = "long", alt.var = "dishId", chid.var = "individuals", drop.index = TRUE)
raw这与其说是一个答案，不如说是一个评论（我没有足够的评论点！）。但是，我无法复制您的代码，因为在您的rData.csv
中没有任何age
列，模型无法将您的dishId解释为替代索引（alt.var
），因为您有不同的键对用于不同的选择。例如，对于.csv文件中的第一个选项，您有“TS”和“RS”作为备选索引键，但对于选项3634，您有“RR”和“RS”作为键。此外，您还没有指定备选方案的名称（alt.levels
）。由于未填写alt.levels
，因此，mlogit.data
将自动尝试根据无法正确解释的备选索引检测备选方案。这基本上就是所有问题的症结所在：“食物”和“盘子”变量不被解释为替代变量，但它们被视为最终导致奇异性问题的个体特定变量
您有两个选项来解决此问题。您可以通过alt.levels
参数将实际备选方案作为mlogit.data
的输入：
TM <- mlogit.data(raw, choice = "selected", shape = "long", alt.levels = c("food","plate"),chid.var = "individuals",drop.index=TRUE)
model1 <- mlogit(selected ~ food + plate | sex + age +hand, data = TM)
我们验证了这两个模型确实是相同的。模型1的结果：
> summary(model1)
Call:
mlogit(formula = selected ~ food + plate | sex + age + hand,
data = TM, method = "nr", print.level = 0)
Frequencies of alternatives:
food plate
0.42847 0.57153
nr method
4 iterations, 0h:0m:0s
g'(-H)^-1g = 0.00423
successive function values within tolerance limits
Coefficients :
Estimate Std. Error t-value Pr(>|t|)
plate:(intercept) -0.0969627 0.0764117 -1.2689 0.2044589
foodCirc 1.0374881 0.0339559 30.5540 < 2.2e-16 ***
plateCirc -0.0064866 0.0524547 -0.1237 0.9015835
plate:sexmale -0.0811157 0.0416113 -1.9494 0.0512512 .
plate:age16-34 0.1622542 0.0469167 3.4583 0.0005435 ***
plate:age35-54 0.0312484 0.0555634 0.5624 0.5738492
plate:age55-74 0.0556696 0.0836248 0.6657 0.5055987
plate:age75+ 0.1057646 0.2453797 0.4310 0.6664508
plate:handright -0.0177260 0.0539510 -0.3286 0.7424902
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Log-Likelihood: -8284.6
McFadden R^2: 0.097398
Likelihood ratio test : chisq = 1787.9 (p.value = < 2.22e-16)
>摘要（模型1）
电话：
mlogit（配方=选定食物+盘子|性别+年龄+手，
数据=TM，方法=nr，打印级别=0）
备选方案的频率：
食物盘
0.42847 0.57153
nr法
4次迭代，0h:0m:0s
g'（-H）^-1g=0.00423
公差范围内的连续函数值
系数：
估计标准误差t值Pr（>t）
板块：（截距）-0.0969627 0.0764117-1.2689 0.2044589
foodCirc 1.0374881 0.0339559 30.5540<2.2e-16***
plateCirc-0.0064866 0.0524547-0.1237 0.9015835
车牌号：sexmale-0.0811157 0.0416113-1.9494 0.0512512。
车牌：年龄16-34 0.1622542 0.0469167 3.4583 0.0005435***
车牌：年龄35-54 0.0312484 0.0555634 0.5624 0.5738492
车牌：年龄55-74 0.0556696 0.0836248 0.6657 0.5055987
板块：年龄75+0.1057646 0.2453797 0.4310 0.6664508
车牌：右-0.0177260 0.0539510-0.3286 0.7424902
---
签名。代码：0'***'0.001'***'0.01'*'0.05'.'0.1''1
对数似然：-8284.6
麦克法登R^2:0.097398
似然比检验：chisq=1787.9（p.value=<2.22e-16）
与模型2的结果相比。请注意，已正确标识备选方案，但未将名称明确添加到模型中：
> summary(model2)
Call:
mlogit(formula = selected ~ food + plate | sex + age + hand,
data = TM, method = "nr", print.level = 0)
Frequencies of alternatives:
1 2
0.42847 0.57153
nr method
4 iterations, 0h:0m:0s
g'(-H)^-1g = 0.00423
successive function values within tolerance limits
Coefficients :
Estimate Std. Error t-value Pr(>|t|)
2:(intercept) -0.0969627 0.0764117 -1.2689 0.2044589
foodCirc 1.0374881 0.0339559 30.5540 < 2.2e-16 ***
plateCirc -0.0064866 0.0524547 -0.1237 0.9015835
2:sexmale -0.0811157 0.0416113 -1.9494 0.0512512 .
2:age16-34 0.1622542 0.0469167 3.4583 0.0005435 ***
2:age35-54 0.0312484 0.0555634 0.5624 0.5738492
2:age55-74 0.0556696 0.0836248 0.6657 0.5055987
2:age75+ 0.1057646 0.2453797 0.4310 0.6664508
2:handright -0.0177260 0.0539510 -0.3286 0.7424902
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Log-Likelihood: -8284.6
McFadden R^2: 0.097398
Likelihood ratio test : chisq = 1787.9 (p.value = < 2.22e-16)
>摘要（模型2）
电话：
mlogit（配方=选定食物+盘子|性别+年龄+手，
数据=TM，方法=nr，打印级别=0）
备选方案的频率：
1 2
0.42847 0.57153
nr法
4次迭代，0h:0m:0s
g'（-H）^-1g=0.00423
公差范围内的连续函数值
系数：
估计标准误差t值Pr（>t）
2：（截距）-0.0969627 0.0764117-1.2689 0.2044589
foodCirc 1.0374881 0.0339559 30.5540<2.2e-16***
plateCirc-0.0064866 0.0524547-0.1237 0.9015835
2:sexmale-0.0811157 0.0416113-1.9494 0.0512512。
2:16-34岁0.1622542 0.0469167 3.4583 0.0005435***
2：年龄35-54 0.0312484 0.0555634 0.5624 0.5738492
2：年龄55-74 0.0556696 0.0836248 0.6657 0.5055987
2：年龄75+0.1057646 0.2453797 0.4310 0.6664508
2：右手-0.0177260 0.0539510-0.3286 0.7424902
---
签名。代码：0'***'0.001'***'0.01'*'0.05'.'0.1''1
对数似然：-8284.6
麦克法登R^2:0.097398
似然比检验：chisq=1787.9（p.value=<2.22e-16）
使用“表格”查看是否可以识别导致问题的线性组合。我很困惑。你对此有何反应dishId
或selected
？@RandyLai，我想知道其他因素（食物、盘子和性别[以及数据较少的其他因素]）如何影响selected。我输入数据的方式很可能仍然存在错误。@BondedDust我的csv确实包含不包含数据的“单元格”，通过探索，我在我的CrazyoutPutfromthedevelopers.csv->myData程序中发现了一个bug。但是现在恐怕会出现同样的错误！在solve（）
中，使用较小的公差，如solve（…，tol=1e-20）
。这应该没问题，因为您得到了互惠条件编号=1.71139e-19
。更多信息请参见[帮助文件][1]和[此相关问题][2]。[1] ：[2]：很抱歉。我一直在研究一个更简单的模型，以防其他变量受到指责。我增加了年龄。你看过这个帖子吗？太棒了！非常感谢！一个多星期以来，我一直在用我的脑袋来思考这个问题。@andyw，这个答案真的解决了你的问题吗？你有四种选择{RS，TS，RR，TR}对应于{Ciruclar，Angular}x{Food，Plate}的四种可能组合。我不确定多项式方法在这里是否合适，因为人们只有四种选择中的两种？特别是，在每次试验中，人们不会在“食物”和“盘子”之间做出选择！我想你可能需要尝试6种不同的二项式模型，对6个不同的选择对你的参与者提供{RS/TS，RS/RR，RS/TR，TS/RR，TS/TR，RR/Tr}，或者，你可以尝试2个二项模型，分别考虑每个因素。i、 e.一个模型比较圆形食物和角形食物（组合选择集{RS/TS，RR/TR}），一个模型比较圆形板和角形板（组合选择集{RS/RR，TS/TR}）。
> summary(model1)
Call:
mlogit(formula = selected ~ food + plate | sex + age + hand,
data = TM, method = "nr", print.level = 0)
Frequencies of alternatives:
food plate
0.42847 0.57153
nr method
4 iterations, 0h:0m:0s
g'(-H)^-1g = 0.00423
successive function values within tolerance limits
Coefficients :
Estimate Std. Error t-value Pr(>|t|)
plate:(intercept) -0.0969627 0.0764117 -1.2689 0.2044589
foodCirc 1.0374881 0.0339559 30.5540 < 2.2e-16 ***
plateCirc -0.0064866 0.0524547 -0.1237 0.9015835
plate:sexmale -0.0811157 0.0416113 -1.9494 0.0512512 .
plate:age16-34 0.1622542 0.0469167 3.4583 0.0005435 ***
plate:age35-54 0.0312484 0.0555634 0.5624 0.5738492
plate:age55-74 0.0556696 0.0836248 0.6657 0.5055987
plate:age75+ 0.1057646 0.2453797 0.4310 0.6664508
plate:handright -0.0177260 0.0539510 -0.3286 0.7424902
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Log-Likelihood: -8284.6
McFadden R^2: 0.097398
Likelihood ratio test : chisq = 1787.9 (p.value = < 2.22e-16)
> summary(model2)
Call:
mlogit(formula = selected ~ food + plate | sex + age + hand,
data = TM, method = "nr", print.level = 0)
Frequencies of alternatives:
1 2
0.42847 0.57153
nr method
4 iterations, 0h:0m:0s
g'(-H)^-1g = 0.00423
successive function values within tolerance limits
Coefficients :
Estimate Std. Error t-value Pr(>|t|)
2:(intercept) -0.0969627 0.0764117 -1.2689 0.2044589
foodCirc 1.0374881 0.0339559 30.5540 < 2.2e-16 ***
plateCirc -0.0064866 0.0524547 -0.1237 0.9015835
2:sexmale -0.0811157 0.0416113 -1.9494 0.0512512 .
2:age16-34 0.1622542 0.0469167 3.4583 0.0005435 ***
2:age35-54 0.0312484 0.0555634 0.5624 0.5738492
2:age55-74 0.0556696 0.0836248 0.6657 0.5055987
2:age75+ 0.1057646 0.2453797 0.4310 0.6664508
2:handright -0.0177260 0.0539510 -0.3286 0.7424902
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Log-Likelihood: -8284.6
McFadden R^2: 0.097398
Likelihood ratio test : chisq = 1787.9 (p.value = < 2.22e-16)