R 带抽样权重的非线性回归（一揽子调查）

我想估计一个具有二元因变量的非线性模型的系数。非线性产生是因为两个回归系数，

A

和

B

，分别依赖于数据集的子集和两个参数

lambda1

和

lambda2

：

y = alpha + beta1 * A(lambda1) + beta2 * B(lambda2) + delta * X + epsilon

我的每一个观察结果，我们都在哪里

其中

a

和

Rs

是

data.frame

中的变量。回归子

B（lambda2）

的定义方式类似

此外，我需要包括Stata中所称的权重，即调查权重或抽样权重。出于这个原因，我正在使用托马斯·卢姆利的R软件包

首先，我为

a

（和

B

）创建了一个函数，即：

因为，当我尝试估算模型时：

# loglikelihood function:
LLsvy <- function(y, model, lambda1, lambda2){
  aux1 <- y * log(pnorm(model))
  aux2 <- (1-y) * log(1-pnorm(model))
  LL <- (aux1) + (aux2)
  return(LL)
}

fit <- svymle(loglike=LLsvy, 
              formulas=list(~y, model = ~ A(lambda1)+B(lambda2)+X,lambda1=~1,lambda2=~1),
              design=d_test, 
              start=list(c(0,0,0,0),c(lambda1=11),c(lambda2=8)),
              na.action="na.exclude")

我认为问题在于包含非线性部分，因为如果我为一些

lambda1

和

lambda2

修正

A

和

B

，一切都会正常工作（这样模型就会变成线性）：

因为我收到了错误消息：

Error in eval(expr, envir, enclos) : object 'lambda1' not found

Error in svyglm.survey.design(formula = model0, data = data, family = binomial(link = probit),  : 
  all variables must be in design= argument

---

这不是svymle所做的——它适用于广义线性模型，它具有线性预测和潜在复杂的似然函数或损失函数。您需要非线性加权最小二乘法，具有简单的损失函数，但预测复杂

---

调查包中没有设计加权非线性最小二乘法的实现，可能是因为之前没有人要求过。你可以试着给软件包作者发电子邮件

即将发布的调查软件包第4版将具有一个功能

svynls

，因此，如果您知道如何在不使用nls抽样权重的情况下拟合模型，您将能够使用抽样权重拟合模型。

以下是数据集的一个子样本，以便每个人都可以复制我上面发布的代码：无法将调查权重实施到更高级的工作模型中（如gmm）意味着R的估计能力仍然远远低于Stata。作为一个试图从Stata移动到R的用户，这是令人沮丧的。我希望将来会有所改变……也许您可以尝试使用

gmm（）

包中的，它允许指定采样权重？非常感谢您回到本主题。我不再参与这个项目，但我希望它对其他用户有用。

Error in eval(expr, envir, enclos) : object 'lambda1' not found

lambda1=11
lambda2=8
data$A <- A(lambda1)
data$B <- B(lambda2)
d_test <- svydesign(id=~1, data = data, weights = ~data$hw0010)

LLsvylin <- function(y, model){
  aux1 <- y * log(pnorm(model))
  aux2 <- (1-y) * log(1-pnorm(model))
  LL <- (aux1) + (aux2)
  return(LL)
}

fitlin <- svymle(loglike=LLsvylin,
                 formulas=list(~y, model = ~A+B+X),
                 design=d_test,
                 start=list(0,0,0,0),
                 na.action="na.exclude")

lambda1=11
lambda2=8
model0 = y ~ A(lambda1) + B(lambda2) + X

probit1 = svyglm(formula = model0,
                     data = data,
                     family = binomial(link=probit),
                     design = d_test)

Error in svyglm.survey.design(formula = model0, data = data, family = binomial(link = probit),  : 
  all variables must be in design= argument