R中具有lm和svyglm的加权线性回归相同型号，不同结果

编程问答 2022-06-11

问题描述

我想在R studio中应用调查权重进行线性回归。我已经看到可以使用lm()函数来执行此操作，该函数使我能够指定要使用的权重。但是，也可以使用svyglm()函数执行此操作，该函数对已由所需变量加权的调查设计对象中的变量进行回归。

从理论上讲，我认为这两个回归模型的结果没有理由不同，并且beta估计值相同。但是，每个模型中的标准误差都不同，导致p值不同，因此显着性水平也不同。

哪种模式最合适？任何帮助将不胜感激。

这是R代码：

dat <- read.csv("https://raw.githubusercontent.com/LucasTremlett/questions/master/questiondata.csv")
model.weighted1 <-  lm(DV~IV1+IV2+IV3,data=dat,weights = weight)
summary(model.weighted1)
dat.weighted<- svydesign(ids = ~1,data = dat,weights = dat$weight)
model.weighted2<- svyglm(DV~IV1+IV2+IV3,design=dat.weighted)
summary(model.weighted2)

解决方法

主要是要确认评论中已经包含的内容：

  • lm和svyglm将始终给出相同的点估计，但通常会给出不同的标准误差。在术语I use here中，@ BenBolker已经链接了（谢谢！），lm假设精度权重，svyglm假设采样权重
  • 对于该特定调查数据集，您具有采样权重，并且希望svyglm
  • 从调查的描述中，您还希望有一个阶层变量，但看起来好像他们没有提供。如果他们这样做，它将进入svydesign，并将用于减少svyglm中的标准错误
linear-regressionrrsurveyweighted