R-在用户定义模型上的度量列表上循环

我目前在差异模型方面存在差异，并且希望以有效的方式度量同一模型的不同度量

例如，我有一个数据框，其中的列表示行驶里程、工作小时数、状态、组和时间

目前，我在其中复制和粘贴每个度量的模型的代码：

# Create DID models
model_miles <- lm(df$miles_driven ~ df$Group 
                        + df$Time 
                        + df$Group * df$Time, data = df)
model_hours <- lm(df$hours_worked ~ df$Group 
           + df$Time 
           + df$Group * df$Time, data = df)

# Select results using clustered standard errors. The purpose of this is to 
# avoid making distributional assumptions about the errors in the models. 
results_miles <- clubSandwich::coef_test(model_miles, 
                                            vcov = "CR2", 
                                            cluster = df$state, 
                                            test = "Satterthwaite")
results_hours <- clubSandwich::coef_test(model_hours, 
                               vcov = "CR2", 
                               cluster = df$state, 
                               test = "Satterthwaite")

results <- data.table::rbindlist(list(results_miles, results_hours))
View(results)

#创建DID模型
model_miles这听起来像是purrr的
map（）
以及tidyr的
unnest（）
的工作

下一次，构建一个应用程序可能会有所帮助，但我们可以从这里开始

库（tidyverse）
列车%
变异（模型=映射（公式，~lm（.x，数据=mtcars）））
火车
#>#tibble:2 x 3
#>度量公式模型
#>               
#>每加仑1英里
#>2显示

请注意，我在这里设置了一个列，其中包含我们将用作模型中预测数量的度量的名称，然后是包含建模公式的列。你可以在那里使用
paste（）
和
mutate（）
甚至更喜欢，而不必重新键入预测数量的名称。然后使用purrr的
map（）
为每个预测量拟合模型。您现在有了一个包含模型的列

接下来，是测试所有回归系数的时候了。请注意
map（）
是如何获取其参数的：首先是映射到的数量（模型），然后是应用到每个模型的函数（来自clubSandwich的函数），最后是需要传递到该函数的其他参数

测试%
变异（coeffs=map（模型，clubSandwich:：coef_测试，“CR2”，“Satterthwaite”，“All”，mtcars$cyl））
测验
#>#A tibble:2 x 4
#>度量公式模型系数
#>                                           
#>每加仑1英里
#>2显示

我们做到了！最后一步是使用tidyr的
unnest（）
，这样我们就可以很容易地从回归系数测试中得到所有这些量

测试%>%
不耐烦（系数）
#>#tibble:22 x 5
#>米制贝塔东南测向p_Satt
#>               
#>1 mpg 12.3 16.3 1.52 0.550
#>每加仑2英里-0.111 1.44 2.00 0.945英里
#>3 mpg 0.0133 0.0159 1.34 0.526
#>4 mpg-0.0215 0.0330 1.82 0.588
#>5英里每加仑0.787 0.493 2.05 0.248
#>每加仑6英里-3.72 2.05 1.33 0.270英里
#>7英里每加仑0.821 0.388 1.34 0.228
#>8英里每加仑0.3181.55 1.74 0.859
#>9 mpg 2.52 1.25 1.73 0.202
#>10英里每加仑0.6551.84 1.73 0.761
#> # ... 还有12排

由（v0.2.0）于2018年4月26日创建

#list of metrics
metrics <- c("miles_driven", "hours_worked")

udf <- function(metric, dataframe){
     # Create DID model
     model <- lm(dataframe$metric ~ df$Group 
                + dataframe$Time 
                + dataframe$Group * df$Time, data = dataframe)

     # Select results using clustered standard errors. The purpose of this 
     is to 
     # avoid making distributional assumptions about the errors in the 
     models. 
     results_miles <- clubSandwich::coef_test(model_miles, 
                                       vcov = "CR2", 
                                       cluster = dataframe$state, 
                                       test = "Satterthwaite")[4,]
     View(results)
}

lapply(metrics, udf)