R 从回归输出中检索模型矩阵

在从模型输出运行多个回归模型后，我希望检索清理后的输入协变量和结果变量-我希望访问实际估计中使用的数据。 对于lm（）和lfe的felm（）函数，可以通过特定的“模型”输出访问结果变量和协变量：

库（估计值）
图书馆（lfe）
种子（1）
N如果
unclass
对象
lm_robust_fit
您将看到它根本不存储模型帧中的值，因此无法直接从对象中提取它们

但是，
felm\u-fit
也不包含它们-正如您所示，它提供了生成它所需的对
model.frame
的调用，您只需要
eval

如果查看
lm
的代码，它实际上以完全相同的方式生成其
模型
数据，只是需要在
model.frame
调用上运行
eval

通过直接调用
model.frame
，可以完全按照
lm
和
felm\u-fit
的方式执行，默认情况下，model.frame使用传递给原始调用的
data
参数，并在正确的环境中对其进行计算。这类似于您提出的解决方案，但比它更安全，因为您不必指定数据来自何处（即，您不必担心对象位于
globalenv
以外的范围内）

直接调用
model.frame
也将适用于所有三种不同类型的模型，因此使用此函数检索任何模型框架（无论其类型如何）可能会简化代码

因此，您可以：

head(model.frame(lm_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

head(model.frame(felm_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

head(model.frame(lm_robust_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

如果您
unclass
对象
lm\u robust\u fit
，您将看到它根本不存储其模型帧中的值，因此无法直接从对象中提取它们

但是，
felm\u-fit
也不包含它们-正如您所示，它提供了生成它所需的对
model.frame
的调用，您只需要
eval

如果查看
lm
的代码，它实际上以完全相同的方式生成其
模型
数据，只是需要在
model.frame
调用上运行
eval

通过直接调用
model.frame
，可以完全按照
lm
和
felm\u-fit
的方式执行，默认情况下，model.frame使用传递给原始调用的
data
参数，并在正确的环境中对其进行计算。这类似于您提出的解决方案，但比它更安全，因为您不必指定数据来自何处（即，您不必担心对象位于
globalenv
以外的范围内）

直接调用
model.frame
也将适用于所有三种不同类型的模型，因此使用此函数检索任何模型框架（无论其类型如何）可能会简化代码

因此，您可以：

head(model.frame(lm_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

head(model.frame(felm_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

head(model.frame(lm_robust_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

是否检查了函数
model.matrix（）
？是否检查了函数
model.matrix（）
？
head(model.frame(lm_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

head(model.frame(felm_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105

head(model.frame(lm_robust_fit))
#>          y     log(X)
#> 2 1.409403 -1.6947599
#> 3 1.760336 -0.1795710
#> 4 4.348590  0.4670498
#> 5 1.004431 -1.1101553
#> 6 4.408224 -0.1978799
#> 7 2.691566 -0.7186105