R从入门到精通

areg

Zelig: Everyone’s Statistical Software

Kosuke Imai； Gary King； Olivia Lau

Ch by areg

http://gking.harvard.edu/zelig/

http://gking.harvard.edu/

学习者引言 by areg

Zelig是一个简单易用的程序，它可以用来进行参数估计、帮助解释和给出大多数统计方法的结果。它真是“每个人的统计软件”，因为许多研究都在用R的编码。我们也希望它在应用中变成“每个人的统计软件”，我们的特意设计让任何人都能用它或增加他们的方法。Zelig启动时自带的细节文件所花资源少，自动化的图形和全部模型的描述，使用它仅需要3个简单的命令，就能让所有的用户使用R的价值。Zelig也可以作为一个很好教学材料，它的特意设计，让学生在他们将来的研究中能够使用同样的程序。

Zelig添加大量的内部结构来促进现有方法的使用。总结清晰的程序(for Stata)，把那些难以解释的系数转换成大量的趣事；组合了大量负责任的数据集(如来自Amelia的结果)来处理缺失数据；对全部模型自动进行bootstrapping (重复抽样)；允许在线命令来运行所指定的任务；自动建立数据文件的备份，以便你(如果你想这样做，或其它任何人)可以重复你的分析结果(由此它是一个满意的重复标准)；使解析计算很容易(via WhatIf)；允许限定条件的总体和超总体推断。Zelig包括大量的具体方法，它们基于如likelihood、frequentist、Bayesian、robust Bayesian和非参理论的推断。

本人在学习过程中，找了大量的资料，许多是非常经典的好资料，但是如何学习R却成了问题!那些S语言的核心材料，是非常好，但学习过程中，要与练习结合起来，对初学R的人来说太难，甚至常常影响学习的积极性和坚持下去的必要性。如何选用恰当材料来了解R、学习R和掌握R，本人试过不少，许多材料开始时，学习起来还可以，但到中后期就太难以理解了，一方面的是自己统计理论基础差，另一方面是相关帮助太少，往往有的相关知识想查找看看，结果很难得到。现实是许多初学R的朋友，其统计原理和概率基础并不是很好，后来了解Zelig这个R包，觉得是一个不错的选择，它循序渐进，在线帮助全面，来自名校，有一个负责任的团队进行持续的开发服务。

到Zelig的网页上去找到相应的帮助材料，使用Zelig包，是件很清松的事，但我们许多人一看到全是英文帮助，头就大了，其实并不难，它就是最好的帮助资料。为了让初学R的进程更快一点，同时也是为了交流，因此逐步把通过Zelig来学习R的读书笔记帧出。既然是学习者的笔记，错误难免，希望多多指正。

在学习的过程中，希望多看看以下几本书，本论坛都有：

Modern Applied Statistics With S (Fourth edition)

W.N. Venables & B.D. Ripley: S Programming

simpleR--Using R for Introductory Statistics

BOOK Introductory Statistics With R

Statistics With R # http://zoonek2.free.fr/UNIX/48_R/all.html 本论坛也直接提供该书

通过Zelig来学习R，它的包中不提供详细的帮助文件，你需要在网页去找到

zelig.pdf # 主要是这个。

zelig_shortcourse.pdf # 这是一个教案，可以先初略看看。

本帧围绕zelig.pdf逐节进行，万事开头难，坚持下去更难，我想花一定时间后，我能把它介绍完的！同时也希望有人把上面列出的几本书或其它好书能以在论坛上详细逐节讲解介绍。

denver

跟着areg老师学，没错！

areg

##########################################################

# 1 Introduction 6

# 1.1 What Zelig and R Do . . . . . . . . . . . . . . . . 6

# 1.2 Getting Help . . . . . . . . . . . . . . . . . . . . 7

##########################################################

第1章介绍

1.1 Zelig和R是做什么的？

Zelig是一个容易使用的程序，可以估计和帮助解释大量且正增加的统计模型的结果。它确实一个“每个人的统计软件”，因为Zelig的框架结构与每个人使用的R编码的标准是统一的。我们也希望在应用中，它将变成“每个人的统计软件”，我们特意设计让每个人都能使用它，或者在它的基础添加模型。

当你使用Zelig时，你也是在用R，R是一个强有力的统计软件分析语言。然而，你不需要单独学R，因为这个手册的介绍通过Zelig来学习了R，手册简化R和减少你开始学习所需要的大量程序设计知识。因为有许多人给R提供不同的PKG(每个包都有自己的语法和支持文献)，对一个统计模型往往很难有经验去估计判断。用户需要知道哪个包含有这个模型，在包中找到模型命令，参考模型指定参量的手册。相反，Zelig用户可以跳过这些开始时的花费而直接到数据分析。使用Zelig统一的命令语法，你方便地获得包的程序设计，在分析过程中不会丢失任何R的功效。

除了一般的R包和使已有的方法更容易使用，Zelig包括能提高所有已有方法和R程序使用的基础。即使你已会用R，但是使用Zelig能大大简化你的工作。它模仿流行的Sdata程序设计(King, Tomz, and Wittenberg, 2000，推荐过它)，它转变了已有统计分析进程中的原始输入为只提供研究者感兴趣的那部分数据。相反，为方便建模，它试着解释参数的素数，Zelig使计算实数很容易：概率probabilities、预测值predicted values、期望值expected value、first differences和风险率risk ratios，还有全部数量(或抽样)相关的置信区间confidence intervals、标准误standard errors、或full posterior密度。Zelig无缝集成bootstrapping的选项到相关数据的模拟而扩展 Clarify。它也集成整套非参检验匹配的方法来作为提高执行任何参数模型的原因推断的预处理步骤(见MatchIt)。对于缺失值，Zelig接受Amelia建立的多重推理(见King, Honaker, Joseph, and Scheve, 2001)和其它程序设计，允许用户来分析那些只是一个独立的、完全观测的数据集。Zelig对数据的输出结果有可重复性，以便你(如果你想，或其它任何人想)重复你分析的结果，它总是保持一致(见King,1995)。几个强有力的Zelig命令也使多种分析和重组变量变得简单。

结合Zelig来使用R，比那些商业统计软件有几个优点。R和Zelig是开源运动的一部分，主要是基于科学原理。这就是说，任何人对开源软件添加一个函数或想重新发行它(合法地),提供软件和相应资源必需是免费的。如果你在开源软件中发现一个bug，应该发一个注释到恰当的邮件列表中，使用这个途径，你将很快让全球使用这个程序设计的数以千计人中之一得知。由于你可以看到源代码，你可能可以自己来修正它。相反，如果是商业软件某处出错，你不得不等着公司的程序员来修正它(然后公司申明这可能是问题之外),和等着发行新的版本吧。

我们发现Zelig使学生和同仁更有义务来使用R，由于起点要求低、手册和软件相对独立。这个手册甚至包括一个深入早期R程序设计基础的附件，尽管你不需要用Zelig运行大多数程序。一个庞大正增长的全世界数量方法论和统计分析家正转向R，通过R获得的程序设计模块很快超过了任何备选方案。除了对于内部函数，R是一个完全的程序设计语言，允许你来设计新的函数来满足你的需要。R有两个优点，你不需要理解怎么编写程序来使用它，除非你想完成的是更加复杂的事，你不需要再学其它程序设计。此外，全世界的方法论者随时有添加新函数，以至于昨天你还得不到的需要的函数，今天就提供了。

<未完待续>

areg

##########################################################

# 1 Introduction 6

# 1.1 What Zelig and R Do . . . . . . . . . . . . . . . . 6

# 1.2 Getting Help . . . . . . . . . . . . . . . . . . . . 7

##########################################################

1.2 获取帮助

你可以从Zelig在线找到一个文献(从此后必需是在线获取它)。如果你不能与网络连接，我们建议你打印这个文献的PDF版本来作参考。

如果你在线，对于Zelig命令和它的每个模型，你可以访问综合帮助文件。例如，载入Zelig，在R提示符下键入：

> help.zelig(command) # 搜索全部zelig命令帮助文件

> help.zelig(logit) # 搜索逻辑模型的帮助文件

此外，help.zelig()搜索除了Zelig指定页外的R手册页。某些很少发生情况，在Zelig中帮助主题的名和在R中是相同的。在这种情况下，help.zelipg()将会默认返回Zelig帮助文件。如果你想访问R的帮助文件，你可以用help(topic)。

此外，提供每个模型的抽样数据和图形的内部示例。例如，键入demo(logit)来查看逻辑模型的演示。在每个模型参考页的示例部分提供每个模型的注释码。

询问和关于Zelig的问题，请直接连接我们的listserv,信箱zelig@latte.harvard.edu。我们建议，当你学习和使用Zelig时，到下面网址去签个名，http: //lists.hmdc.harvard.edu/index.cgi?info=zelig.

(你可选择接收邮件的摘要格式，这样你将不会在一天收到超过一条信息).在你发送你的询问前，你也可以游览或搜索先前的信息。

## 脚注原手册每页的脚注，以免打断文章的连续性，统一到各章结束之后，给你带来不便，请谅解。翻译不准确或理解不对之处，敬请即时指出并帮助解决，只要网络连通，网速可以，我会即时更正。在此先谢过。

1. Zelig的命令来自电影Woody Allen，主人公有奇特的能力来实现任何一个他遇到的人的生理反应——Scottish, African-American, Indian, Chinese, thin, obese, medical doctor, Hassidic rabbi,等等任何事情，在任何情况下都感觉良好。

2. 指定的GNU General License v. 2 http://www.gnu.org/copyleft.

<未完待续>

areg

houliping

谢谢areg，期待新贴

areg

########################################################

# I User’s Guide 9

# 2 Installation 10

# 2.1 Windows . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 11

# 2.2 MacOS X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

# 2.3 UNIX and Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

# 2.4 Version Compatability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

########################################################

2.1 Windows 系统下安装R

到R的综合归档网络(CRAN)的网址(http://www.r-project.org)下载最新的安装程序，Windows平台的R在http://cran.us.r-project.org/bin/windows/base/，双击.exe文件启动R的安装程序。如果你是第一次安装，我们推荐你采用默认安装。

# 本人建议你到韩国镜像http://bibs.snu.ac.kr/R/ ，或北美的镜像http://probability.ca/cran/ 去下载，直接到总部新西兰去下载，可能是我国与南半球的网络带宽不够，显得慢。国内的镜像东南大学http://www.lmbe.seu.edu.cn/CRAN/对镜像的更新太慢。如R2.4.0或R2.4.0 pat早已正式发行，试用2.5.0也提供了(学习还是别用这个，因为在测试，还不稳定)，东南大学的镜像还是R2.3.1。或点开主页http://www.r-project.org/，点击左侧栏Download下面的CRAN，选择更多镜像。以后学习过程中，选择各个程序包的更新，如果东南大学的更新管理还没有改进，请选择国外负责任的镜像，俺无需多言。

安装Zelig

一旦安装好R后，你必需安装Zelig和VGAM程序包。有三种方式来完成任务：

1. 我们推荐你在启动R后，在R控制台(即R的窗口"R Console")键入下面的表达式：

> source("http://gking.harvard.edu/zelig/install.R")

> library(Zelig)

2.另一方法，你可以在R中分别安装每个组成包：

> install.packages("Zelig")

> install.packages("MCMCpack")

> install.packages("coda")

> install.packages("VGAM")

> install.packages("zoo")

> install.packages("sandwich")

> library(Zelig)

当需要用到与Zelig包关联的包中函数时，将会自动载入所需要的库；即在Zelig开始前不需要载入任何包。

#即所需要的包，屏幕上有提示，只要是安装好的包，无需你再次手动去载入，关联包会自动载入，你可以用search()在载入前和载入后查看一下当前包有哪些。

> search()

[1] ".GlobalEnv" "package:methods" "package:stats"

[4] "package:graphics" "package:grDevices" "package:utils"

[7] "package:datasets" "Autoloads" "package:base"

>

> library(Zelig)

载入需要的程辑包：MASS

载入需要的程辑包：boot

##

## Zelig (Version 2.7-4, built: 2006-11-10)

## Please refer to http://gking.harvard.edu/zelig for full documentation

## or help.zelig() for help with commands and models supported by Zelig.

##

> search() # 关联包MASS和boot自动载入

[1] ".GlobalEnv" "package:Zelig" "package:boot"

[4] "package:MASS" "package:methods" "package:stats"

[7] "package:graphics" "package:grDevices" "package:utils"

[10] "package:datasets" "Autoloads" "package:base"

>

# 本人是把CRAN和CRAN (extras)里的包都安装了，并随时更新，所以需要的包，随要随载入；注意安装大量的包并不影响你内存，只是占硬盘空间，R只在内存中运行，不载入的包与运行无关。如果你用R熟练之后，C盘空间有限，也可以把PKG(包)放在其它盘，用到关联包时，这需要手动去载入，当然你可以设置。

# 注意 biconductor和Omegahat的包目前不需要安装，到你掌握R后，需要用到时同时有了个服务器级别的机器或工作站，再去选择安装，那里的包主要是生物信息学(基因芯片)的包，一般我们的普通机器运行不了。

3. 另一选择菜单操作，可以用下拉菜单来安装Zelig。所需步骤如下：

(a)到Zelig网站去下载最新发行的Zelig。其它几个包VGAM、MCMCpack、coda、zoo和sandwich从CRAN网获得。把这些压缩包放到你的R程序目录中(实际上放在哪都可以)。例如，默认的R程序目录是C:\Program Files\R\R-2.4.0pat或C:\Program Files\R\R-2.4.0

# 因为我的机器运行R-2.4.0时出错，许多人都这样，与操作系统有冲突，CRAN针对此，发行了个功能相同的R-2.4.0pat，本人装的是后者pat，以下示例皆在它下运行，望区别对待。

(b)启动R，从下拉菜单中选择, “程序包”_“用本机的zip文件来安装程序包”。

注意：当更新R成最新的发行版本，安装程序并没有从你的C:\Program Files\R\目录中删除先前的版本。即在C:\Program Files\R\的子目录下，你可以安装不同的版本。

# 一般来说，安装最新版本就行，当然有特殊需要的，应该也是R的老手啦，怎么办，自己能解决了。

(c)进行第2步，点击用本机安装时，将会弹出一个窗口，允许你选择下载的文件来进行安装。这不需要提前解压来进行安装。重复选择其它下载的文件进行安装。(# 也可以在你存放包的文件夹中，按住Ctrl点击各个包，一起来安装)

(d) 在R提示符>下，键入library(Zelig)来载入这个手册中所描述的功能。注意，当需要时，Zelig将自动载入其它关联包。

# 如果所需要的函数不在与Zelig关联的包中，需要你手动去载入。

4. 另一个推荐但是是可选步骤是设置R在起动时自动载入Zelig。(如果你跳过这步，在每次R对话框开始时，你必需手动键入library(Zelig)，# 本人推荐跳过，想用时再手动载入)。想自动运行载入步骤，那对本机R的程序子目录(C:\Program Files\R\R-2.4.0pat\etc\)中的Rprofile文件进行编辑，用如Windows记事本类的文件编辑器，在Rprofile文件中添加下面一行:

options(defaultPackages = c(getOption("defaultPackages"), "Zelig"))

# 注意如果想添加此行，那么在行的前面别放"#"符号，不了解编辑的新手记住不要带它就行，也别已有的那些行乱改动，以后你用多了自然就知道啦。

Zelig是在GNU General Public License, Version 2下发行的。安装后，源代码在你本机的R下library目录中，默认安装下，它在：

C:\Program Files\R\R-2.4.0pat\library\Zelig\中。

更新Zelig

有两种方式来更新Zelig。

1. 我们推荐你定时更新Zelig，在R提示符下键入：

> update.packages()

> library(Zelig)

# 当然要网络畅通啊，这是在线更新！

2. 另一方法是你机器不在线，按上面安装3(a)来更新Zelig，下载最新的.zip文件，接着按跟随的第四步进行。

# 本人试过，直接把Windows使用的压缩包，解压放到library中去，也好使，不过我不推荐你这样做。

<未完待续>

areg

########################################################

# I User’s Guide 9

# 2 Installation 10

# 2.1 Windows . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 11

# 2.2 MacOS X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

# 2.3 UNIX and Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

# 2.4 Version Compatability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

########################################################

2.2 MacOS X

2.2 MacOS X

Installing R

# 苹果操作系统，用的人很少，本人也只是在1986年初中时，隔着学校实验室的窗户看到过苹果机，没有摸过，从那以后，再也没有见过苹果机。本部分不用翻译和解释了，望谅解，把原文帧出，以供参考。

If you are using MacOS X, you may install the latest version of R (2.3.1 at this time) from the CRAN website http://cran.us.r-project.org/bin/macosx/. At this time, Zelig is not supported for R on MacOS 8.6 through 9.x.

Installing Zelig

Once R is installed, you must install the Zelig and VGAM packages. There are several ways to do this.

1. For RAqua:

(a) We recommend that you start R, and then type:

> source("http://gking.harvard.edu/zelig/install.R")

> library(Zelig)

(You may ignore the warning messages, unless they say “Non-zero exit status”.)

(b) Alternatively, to avoid the warning messages, you need to install each package

individually and specify the specific installation path:

> install.packages("Zelig", lib = "~/Library/R/library")

> install.packages("MCMCpack", lib = "~/Library/R/library")

> install.packages("coda", lib = "~/Library/R/library")

> install.packages("VGAM", lib = "~/Library/R/library")

> install.packages("zoo", lib = "~/Library/R/library")

> install.packages("sandwich", lib = "~/Library/R/library")

> library(Zelig)

where ~/Library/R/library is the default local library directory. Zelig will load the other libraries whenever their functions are needed; it is not necessary to load these packages at startup.

(c) Alternatively, you may use the drop down menus to install Zelig. This requires three steps.

i. Go to the Zelig website and download the latest release of Zelig. The VGAM, MCMCpack, coda, zoo, and sandwich packages are available from CRAN. Save these .tar.gz files in a convenient place.

ii. Start R. From the drop-down menus, select the “Packages” menu and then the “Install Files from Local Files”

option.

iii. A window will pop up, allowing you to select the one of the downloaded files for installation. There is no need to unzip the files prior to installation. Repeat and select the other downloaded file for installation.

2. For command line R:

(a) Before installing command line R, you need to create a local R library directory. If you have done so already, you may skip to the next step. Otherwise, at the terminal prompt in your home directory, type:

% mkdir ~/Library/R ~/Library/R/library

(b) Modify your configuration file to identify ~/Library/R/library as your R library directory. There are two ways

of doing this:

i. Open the .Renviron file (or create one, if you don’t have one) and add the following line:

R_LIBS = "~/Library/R/library"

ii. Alternatively, you may modify your shell configuration file. For a Bash shell, open your .bashrc file and add the following line:

export R_LIBS="$HOME/Library/R/library"

(c) Start R and at the prompt, type:

> source("http://gking.harvard.edu/zelig/install.R")

> library(Zelig)

(You may ignore the warning messages, unless they say “Non-zero exit status”.)

(d) Alternatively, to avoid the warning messages, you need to install each component package separately and specify the installation path:

> install.packages("Zelig", lib = "~/Library/R/library")

> install.packages("MCMCpack", lib = "~/Library/R/library")

> install.packages("coda", lib = "~/Library/R/library")

> install.packages("VGAM", lib = "~/Library/R/library")

> install.packages("zoo", lib = "~/Library/R/library")

> install.packages("sandwich", lib = "~/Library/R/library")

> library(Zelig)

Although the lib argument is optional, we recommend that you set it to the default RAqua directory "~/Library/R/library"), in case you later decide to install the RAqua GUI (which has a different default directory).

At the R prompt, type library(Zelig) to load the functionality described in this manual. Note that Zelig will automatically load the other packages as necessary. Zelig is distributed under the GNU General Public License, Version 2. After installation, the source code is located in your R library directory, ~/Library/R/library/Zelig/.

Updating Zelig

There are two ways to update Zelig.

1. We recommend that you start R and, at the R prompt, type:

> update.packages()

2. Alternatively, you may remove an old version by command by typing R CMD REMOVE Zelig at the terminal prompt. Then download and reinstall the package using the installation procedures Section 2.2 outlined above.

<未完待续>

areg

########################################################

# I User’s Guide 9

# 2 Installation 10

# 2.1 Windows . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 11

# 2.2 MacOS X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

# 2.3 UNIX and Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

# 2.4 Version Compatability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

########################################################

2.3 UNIX and Linux

Installing R

# 一般来说，用UNIX和Linux的往往都是高级用户，不用我在此现丑，把原文帧出，以供参考。

Type R at the terminal prompt (which we denote as % in this section) to see if R is available. (Typing q() will enable you to quit.) If it is installed, proceed to the next section. If it is not installed and you are not the administrator, contact that individual, kindly request that they install R on the server, and continue to the next section. If you have administrator privileges, you may download the latest release at the CRAN website. Although installation varies according to your Linux distribution, we provide an example for Red Hat Linux 9.0 as a guide:

1. Log in as root.

2. Download the appropriate binary file for Red Hat 9 from CRAN. For example, for Red Hat 9 running on the Intel 386 platform, go to http://cran.r-project.org/bin/ linux/.

3. Type the following command at the terminal prompt:

% rpm -ivh R-2.3.1-1.i386.rpm

Installing Zelig

Before installing Zelig, you need to create a local R library directory. If you have done so already, you can skip to Section 2.3. If not, you must do so before proceeding because most users do not have authorization to install programs globally. Suppose we want the directory to be ~/.R/library. At the terminal prompt in your home directory, type:

% mkdir ~/.R ~/.R/library

Now you are ready to install Zelig. There are two ways to proceed.

1. Recommended procedure:

(a) Open the ~ /.Renviron file (or create it if it does not exist) and add the following line:

R_LIBS = "~/.R/library"

You only need to perform this step once.

(b) Start R. At the R prompt, type:

> source("http://gking.harvard.edu/zelig/install.R")

> library(Zelig)

(You may ignore the warning messages, unless they say “Non-zero exit status”.)

(c) Alternatively, you can avoid the warning messages by installing each component package separately and specifying the installation path:

> install.packages("Zelig", lib = "~/.R/library")

> install.packages("MCMCpack", lib = "~/.R/library")

> install.packages("coda", lib = "~/.R/library")

> install.packages("VGAM", lib = "~/.R/library")

> install.packages("zoo", lib = "~/.R/library")

> install.packages("sandwich", lib = "~/.R/library")

> library(Zelig)

(d) Finally, create a .Rprofile file in your home directory, containing the line:

library(Zelig)

This will load Zelig every time you start R.

2. Alternatively:

(a) Add the local R library directory that you created above (~ /.R/library in the example) to the environmental variable R LIBS.

(b) Download the latest bundles for Unix from the Zelig website, and (for the VGAM, MCMCpack, coda, sandwich, and zoo packages) from the CRAN website.

(c) If XX is the current version number, at the terminal prompt, type:

% R CMD INSTALL Zelig_XX.tar.gz

% R CMD INSTALL MCMCpack_XX.tar.gz

% R CMD INSTALL coda_XX.tar.gz

% R CMD INSTALL VGAM_XX.tar.gz

% R CMD INSTALL zoo_XX.tar.gz

% R CMD INSTALL sandwich_XX.tar.gz

% rm Zelig_XX.tar.gz VGAM_XX.tar.gz zoo_XX.tar.gz sandwich_XX.tar.gz

(d) Create a .Rprofile file in your home directory, containing the line:

library(Zelig)

This will load Zelig every time you start R.

Zelig is distributed under the GNU General Public License, Version 2. After installation, the source code is located in your R library directory. If you followed the example above, this is /.R/library/Zelig/.

Updating Zelig

There are two ways to update Zelig.

1. We recommend that you start R and, at the R prompt, type:

> update.packages()

2. Alternatively, you may remove an old version by command by typing R CMD REMOVE Zelig at the terminal prompt. Then download and reinstall the package using the installation procedure Section 2.3 outlined above.

2.4 版本的兼容性

除了R本身外，Zelig也依赖于其它几个由其他开发团队维护的R程序包(PKG)。尽管我们努力来保持最新版本的Zelig直到最新的那些包的版本，这还是有可能会发生不兼容性的问题。见附录B.1的包的检测列表中与发行的Zelig兼容的包。你可以在http://www.r-project.org获得大多数包的先前版本。

# 或自己把兼容的包先存一份在自己的机器中。

<未完待续,下一章接着用中文解释>

areg

######################################################

# 3 Data Analysis Commands 18

# 3.1 CommandSyntax ................................. 18

# 3.2 DataSets ..................................... 20

# 3.3 Variables...................................... 23

######################################################

######################################################

# 3 Data Analysis Commands 18

# 3.1 CommandSyntax ................................. 18

# 3.1.1 GettingStarted .............................. 18

# 3.1.2 Details................................... 19

######################################################

第3章数据分析命令

3.1 命令的语法

一旦R安装完成，你仅需要知道几个基础元素就可以开始啦。记住，这对R很重要，正如同其它任何语言一样，有她自己正确的语法规则。不象英语那样复杂，R的语法规则数量少而精，很好理解(见3.1.2)。

3.1.1 启动开始

1.在Linux或Unix下启动R，在结束提示下键入R，或在ESS下键入M-x R。

2.R的提示符是>。

3.键入命令，回车执行。(在每行结尾时，不需要额外的字符，如分号、逗号)。

4.要从R中退出，键入q()然后回车。

5.字符#使R忽略该行在此符号后的部分，在本文中常用来注释R的编码。

6.我们极力推荐你对各个项目分别建个独立的工作目录。

7.每个R对话框有一个工作空间，或工作历史，来保存你建立或输入的对象，这些对象可能是：

(a) 值，包括数值的、整数、字符和逻辑值。

(b) 数据结构，由各个变量(向量)、矩阵和数据框组成；或是其它。

(c) 函数，对用户指定的值或数据结构执行预期任务。

开始R后，你可能根本没有任何时间来使用Zelig内部帮助函数来访问任何命令的在线帮助。查看所有Zelig命令的帮助，键入help.zelig(command)，将把你带到全部Zelig命令的帮助页面。对于指定的Zelig或R命令的帮助，你可以用普通命令来置换命令名。例如，键入help.zelig(logit）将查看逻辑模型的帮助文件。

3.1.2 细节内容

Zelig使用R的语法有几个基本点：

1. R是对情形的判断是敏感的，Zelig指的是PKG或库，zelig与Zelig不同，zelig是命令。

2. R函数接受用户定义的参量：而某些参量是必需的，其它选项参量修饰这个函数的默认行为。用小括号括入参量，各个不同的参量用逗号分开。例如，print(x)或print(x,digits=2)显示x对象的内容分别使用默认的位数数值，或者精确到小数点后两位。你可以命令中再嵌套命令，只要每个命令有它自己的小括号:log(sqrt(5)) ，先取5的平方根，再取平方根的自然对数。

3. <-符号表示其右边函数的输出以左边命名的对象来保存。例如，z.out<-zelig(…)保存了来自zelig()的输出，以z.out对象在当前工作历史中保存下来。(# 注意这只是在内存中暂时的储存，并没有真正保存到硬盘中，永久保存需要使用命令)。你可在其它函数中把z.out作为一个参量来使用，在R提示符下，键入z.out查看结果，或要把z.out保存到一个永久文件使用的步骤描述在3.2.3部分中介绍。

4. 在系统参数内，你可以命名你的任意对象：

(1) 你仅可以用字母(大写或小写)和圆点来强调你的对象名。

(2) 你不能使用特殊字符(除圆点外)或空格来强调你的变量名(即变量名中不能有空格)。

(3) 名字不能以数字开头。例如，R不会让你保存1997.election这样的对象，但是可以让你保存election.1997。

5. 使用names()命令来查看R对象中的内容，.运算符用来提取R对象中的元素。例如：

# 运行最小二乘法回归并在工作内存中保存输出结果：

> z.out <-zelig(y ~ x1 + x2, model = "ls", data = mydata)

# 查看R对象中有什么：

> names(z.out)

[1] "coefficients" "residuals" "effects" "rank"

# 提取和显示z.out对象中的相关系数:

> z.out$coefficients

6. 全部对象都有一个指定的类来告诉R在随后的命令中怎么处理。对象的类是用函数建立生成的，或数学运算来建立的。

7. 在你的当前工作空间中查看全部对象的列表,健入ls()。你可以从内存中永久删除一个对象，键入remove(goo)(它将删除对象goo)，或者删除全部对象用remove(list = ls())。

# 有的对象是你不需要的，或操作时间长了，内存中对象太多，影响速度而删除一些大的对象，如果内存中的对象都不需要啦，那就全删除。我往往用的是rm()或者rm(list = ls())这两个命令，它是简称。

8. 批处理方式运行命令，使用文本编辑器来(例如窗口R脚本编辑器或emacs)来组合你的R命令，以.R扩展名文件来在你的工作目录中保存。要运行这个文件，在R提示符下键入source("Code.R")。如果你遇到一个语法错误，检查你的拼写、记录(case)、小括号和逗号。这些是最普通的语法错误，稍微练习一下就很容易检查出来和更正它。如果有批处理编码中遇到语法错误，R将告诉你在哪一行出错。

<未完待续>

alexru

赞一个

areg

############################################################

# 3 Data Analysis Commands 18

# 3.2 DataSets ..................................... 20

# 3.2.1 DataStructures .............................. 20

# 3.2.2 LoadingData ............................... 20

# 3.2.3 SavingData ................................ 22

#############################################################

3.2 数据集

3.2.1 数据结构

Zelig仅使用R大量数据结构中的三种：# 所以我前面推荐对于Zelig不要设为默认载入，在需要时手动载入。

1. 变量是一个长度为n的一维向量。

2. 数据框是一个n行k列的矩形矩阵。每列代表一个变量，每行是一个观测值。每个变量可以是不同的类型(#同一变量必需同一类型)。(见3.3.1类的列表)你可以用提取符号$来从数据框查看指定的变量，例如：data$variable。

3. 列表是不同数据结构的组合。例如，z.out含有两个系数(向量)和数据(数据框)。使用names()来查看列表中的变量元素，运算符.用来查阅列表中的元素。更多综合介绍，包括管理数据结构的途径，请参考第6章。

3.2.2 载入数据

Zelig中的数据集保存在中"data frames"。在此，我们解释从硬盘载入数据到内在的标准方法，怎么处理指定的记录？怎么验证你载入的数据就是你需要的？

载入数据的标准方法

确信数据保存在你的当前工作目录中。在开始运行R时，你可以检查证实你的当前工作目录有些什么东西，键入getwd()。如果你想使用与开始目录不同的目录，使用setwd("dirpath")，在此"dirpath"是你将用它来作你工作目录的全路径。(即指定在哪个盘符下某个文件夹下的某个文件……)。

# 也可以用R控制台工具栏"文件"_"改变当前目录"_"游览"来指定你的当前工作目录，这样是为了方便在载入数据或保存数据时输入一长串的路径符。

当你认定好当前工作目录，载入数据使用下面的方法之一：

1. 如果你的数据是以制表符tab-或空格分隔的.txt文件，使用read.tale("mydata.txt")。

2. 如果你的数据是以逗号分隔符的表，用read.csv("mydata.txt")。

3. 导入SPSS、Stata和其它数据文件，使用foreign程序包，对每个变量它自动饯域其特性。因此，在Stata中作为日期变量的类被自动转成R中日期类的值。例如：

> library(foreign) # 载入 foreign包

> stata.data <-read.dta("mydata.dta") # 读取的是Stata data软件保存的数据。

> spss.data <-read.spss("mydata.sav", to.data.frame = TRUE) # 读取的SPSS保存的数据，读取SPSS保存的数据，在我国遇到较多问题，详情已在本论坛有关贴中阐述，请查阅，关键点就是变量名不能带中文字符或者说不带双字节符号。

4. 载入R格式的数据，使用load("mydata.RData")。# 这与我们平时的习惯不同，大家往往都习惯于双击文件来打开，R中不是这样，并且载入的数据要用命令才能查看。

5. 在R包中的示例样本数据集，如Zelig，你可以使用data()命令，它快捷地从样本数据目录中载入数据。因为在安装时这此当前目录可能有改动，使用先前三种方法对当前的样本数据很困难找到时;用data()在载入包中的所历当前样本数据集和自动载入样本数据集。例如：

> library(Zelig) # 载入Zelig 包。

> data(turnout) # 载入turnout数据。

载入数据时需要指定载入对象的格式(Special Cases When Loading Data )

这些操作可以用上面read命令中之一来读取。

1. 如果你的文件第一行是标识为变量名，你应该使用选项header=TRUE来导入名字字段。例如：

> read.csv("mydata.csv", header = TRUE)

将会读取第1行的字词为变量名接下来的行(作为初始值，值的数目要相同，即各变量的元素组成向量的长度要等长，同一变量下的值类型要相同)为对应变量名的观测值。如果你在文件的最后一行或少数其它行中添加字符，在读取数据前，请先编辑一下，变成相同类型再读取。

2. R中缺失的代码是NA。如果你数据中的缺失也是这样，R将同样把它当成缺失值NA载入。相反，如果你是用一些占位符(如-9)来代表缺失值，那么在载入数据时，你需要告诉R你的缺失值，如：

> read.table("mydata.tab", header = TRUE, na.strings = "-9")

注意：你必需把占位符的值用双引号括起来。

3. 与Windows不一样，在R中文件的扩展名在处理文件时并不取决于默认的方法。例如，你的数据是用制表符tab为分隔符，但是保存为a.sav文件(# SPSS的数据保存格式)，read.table("mydata.sav")将会载入你的数据到R中，证实你载入的数据格式正确。

无论你使用哪种方法，尽量用names()、dim()和summary() 命令去验证下数据是不是正确载入了。例如：

> data <-read.csv("mydata.csv", header = TRUE) # 读取(导入)数据

> dim(data) # 显示数据框的维数(即结构)

[1] 16000 8 # 先是行后是列，16000行，8列

> data[1:10,] # 显示所有列的第1至10行

> names(data) # 检查变量名

[1] "V1" "V2" "V3" # 这些值显示的就是变量名还没有命名，所取值为默认值。

> names(data) <-c("income", "educate", "year") # 赋以变量名

> summary(data) # 返回每个变量的五点描述(描述性统计)

在这种情况下，summary()命令将返回最大值、最小值、平均数、中位数、上四分位数和下四分位数，也还有每个变量的缺失值。

3.2.3 保存数据

用save()把数据或任意对象在你的当前工作目录中以某文件保存。例如：

> save(mydata, file = "mydata.RData") # 在操作目录中，保存mydata为永久文件mydata.RData，该文件直到你删除或替换都在。

> save.image() # 默认是保存整个工作空间为‘.RData’文件。

当你用q()命令退出时，R也将提示你保存工作空间。当你再次启动R时，它将载入先前保存的工作空间。然而，启动R将不会载入先前用过的程序包。你必需记住，在R每次对话框开始时载入Zelig。

另一选择，你可以用load()命令从.RData文件分别调用保存的对象，例如：

> load("mydata.RData")

载入保存为mydata.RData文件的对象。你可以保存一个数据框，用相关函数把数据框或其它R对象保存为文件。

#######################

参考HSAUR包的第1章第5节补充by areg

#######################

write.table(Forbes2000, file = "Forbes2000.csv",sep = ",", col.names = NA)

# 导出数据集Forbes2000成以.csv为扩展名的文件，此类型文件，你很方便用Excel打开。

# 如果你设置的工作目录中已有同名文件存在，它将在没有任何提示的情况下被覆盖，用其它命令保存，遇有同名文件都要小心，尤

其是在自己研究的试验数据分析时，在学习练习中就养成好习惯，是个不错的选择，以避免……。可以换成下面的命令练习一下。

write.table(Forbes2000, file = "Forbes.csv",sep = ",", col.names = NA)

# 将在你设置的工作目录中出现一个Forbes.csv文件

# 这种保存方式，或保存为文本文件的方式.txt，大家比较习惯，不用R也能打开，并且一打开就能见到数据的全貌。

save(Forbes2000, file = "Forbes2000.rda")

# 如果想看看当前工作目录中有些什么文件，用下面的命令，也即查看下刚才保存的文件是否真的保存了！

list.files(pattern = ".rda")

[1] "Forbes2000.rda"

# 保存为.Rda的R标准文件，此文件不能如我们平时打开其它文件那样打开，如打开个word，双击就打开了，而此文件的读取，需要

用下面的命令在R中打开。

load("Forbes2000.rda")

# 载入以R标准数据保存的文件。

#######################

# 本人觉得两个包，在介绍此部分内容写得都很涩，读起来不流畅。

# 要保存为其它格式的文本，如.txt,等你稍了解R多一些，再练习。

<未完待续>

areg

############################################################

# 3 Data Analysis Commands 18

# 3.3 Variables...................................... 23

# 3.3.1 ClassesofVariables ............................ 23

# 3.3.2 RecodingVariables ............................ 24

#############################################################

3.3.2 变量重编码(Recoding Variables)

研究人员在开始分析前，花点时间来整理和数据重新编码是很有意义的。R有几个程序来完成这个过程。

提取、替换和生成新变量

虽然处理过程中易犯人为错误，但是对变量重编码并不难。因此，我们推荐在更改数据之前，用3.2.3部分介绍的方法保存你已有的数据框，一次就重编一个变量，你是在数据框之外进行变量编码，然后再把它送回原数据框中。(# 即每次编辑前都把原有数据提前保存一份)

提取你所需要的变量，键入：

> var <-data$var1 # 把数据中的变量var1复制出来赋予新对象var

不要对提取出来的变量排序或删除观测值。如果你做了，变量的第i个观测值将不再与原数据中的第i个观测值匹配。

数据框中替换变量或生成个新变量，键入：

> data$var1 <-var # 在数据中用var替换var1

> data$new.var <-var # 在数据中生成一个新变量var

R有一个很直观的方法来重编变量，依敕于逻辑运算符为TRUE和FALSE的返回语句。数学的运算符(如==, !=, >, >= <, 和 <=)选取维数相同的两个变量(标量，等长的向量，行列相同的矩阵，或相同维数的数组)和比较第1个对象中的每个元素与它在第2个对象相对应的元素。

== 检查一个变量与列出的另一个变量的相等情况，例如：

> x <-c(1, 2, 3, 4, 5) # 建立对象x

> y <-c(2, 3, 3, 5, 1) # 建立对象y

> x == y

[1] FALSE FALSE TRUE FALSE FALSE # x的各个元素在y中的对应元素相比较的结果(=符号不是逻辑运算符)，仅第3个元素相等。

!= 检查一个变量与所列出的其它对象中元素不等的情况。继续例子：

> x != y

[1] TRUE TRUE FALSE TRUE TRUE

> (>=) 检查在左手一侧的对象中每个元素是否大于(或等于)右手边对象中对应的元素。继续例子：

> x > y

[1] FALSE FALSE FALSE FALSE TRUE # 仅对象x的第5个元素大于对象y中的第5个元素，比对象y中对应元素大的情况

> x >= y

[1] FALSE FALSE TRUE FALSE TRUE # 对象x中的第3个元素与y中的第3个元素相等，因此第3个元素的位置变成TRUE。

< (<=) 检查在左侧对象中的每个元素是否小于(等于)右侧对象中对应的成份，继续上面的例子：

> x < y

[1] TRUE TRUE FALSE TRUE FALSE # 对象x中的第1、2和4个元素比对象y中对应的元素小。

> x <= y

[1] TRUE TRUE TRUE TRUE FALSE # 对象x中的第3个元素与y中的第3个元素相等，因此第3个元素的位置变成TRUE。

对于5个元素的两个对象，数学运算比较x中的第1个元素与y中的第1个元素，第2个对应第2个，以此类推。因此x和y的数学比较返回

值是5个TRUE/FALSE的语句。相似地，对于两个矩阵，每个分别是3行和20列的，数学运算将返回一个3×20逻辑值矩阵。

还有其它逻辑运算符允许你来组合和比较逻辑语句：

& 是and的逻辑等号，用逻辑语句来解析一个数组与其对应的数组，如果有两个数组的同一位置的值为TRUE，仅返回一个TRUE,例如：

> a <-matrix(c(1:12), nrow = 3, ncol = 4) # 建立一个矩阵a

>a

[,1] [,2] [,3] [,4]

[1,] 1 4 710

[2,] 2 5 811

[3,] 3 6 912

> b <-matrix(c(12:1), nrow = 3, ncol = 4) # 建立一个矩阵b

>b

[,1] [,2] [,3] [,4]

[1,] 12 9 6 3

[2,] 11 8 5 2

[3,] 10 7 4 1

> v1 <-a > 3 # 建立一个由逻辑值T/F组成的矩阵v1

> v2 <-b > 3 # 建立一个由逻辑值T/F组成的矩阵v2

# 检查在v1和v2中是否第(i,j)的值都是TRUE，因为在v1中第2-4列为TRUE，在v2中第1-3列为TRUE，因此此处第2-3列的值为true。

> v1 & v2

[,1] [,2] [,3] [,4]

[1,] FALSE TRUE TRUE FALSE

[2,] FALSE TRUE TRUE FALSE

[3,] FALSE TRUE TRUE FALSE

>(a>3)&(b>3) #与上一步的结果相同

对于更复杂的比较，可能必需用括号来给逻辑语句来指定范围。

| 表示或or的逻辑符号，解析结果是只要两个相比较中有一个为TRUE，接着上面的例子继续：

# 在a矩阵中，(1,1)和(2,1)都是小于3，在矩阵b中，(2,4)和(3,4)都小于3；符号|返回(1,1)、(2,1)、(2,4)和(3,4)中为TRUE的值

> (a < 3) | (b < 3)

[,1] [,2] [,3] [,4]

[1,] TRUE FALSE FALSE FALSE

[2,] TRUE FALSE FALSE TRUE

[3,] FALSE FALSE FALSE TRUE

符号&&(if and only if)和||(either or)用来控制函数的命令流。运算符&&，如果在比较语句中每个元素为TRUE，仅返回一个TRUE；运算符||返回在比较语句中有一个元素为TRUE，就返回值为TRUE。与&和|运算符不同，它们返回一列逻辑值，而&&和||运算符仅返回一个逻辑语句，不分在考虑比较中对象的维数。因此&&和||逻辑运算符不适合用来重编码变量。

变量的编码和重编码

R使用逻辑语句向量来显示一个变量应该怎么编码或重编码。例如，建立一个新变量var3，如果var1<var2，var3就等于1，否则等于0：

> var3 <-var1 < var2 # 建立一个由n个T/F组成的向量

> var3 <-as.integer(var3) # 把var3中TRUE用1、FALSE用0替换

> var3 <-as.integer(var1 < var2) # 把上面的两步组合成一步进行替换

除了产生一个虚拟变量外，你也可以用逻辑运算符来定义为某个具体的值，见3.3.2部分。例如：

> v1 <-var1 == 5 # 建立一个由T/F语句组成的向量

> var1[v1] <-4 # 对于v1中每个TRUE，用4替换var1中值

> var1[var1 == 5] <-4 # 把两步并成一步，结果一样

索引(在方括号内)建立，可以使其它变量便于查阅。例如：

> var1[var2 == var3] <-1

当在var2中第i个值等var3中第i值时，用1替换var1中第i个值。如果你用的是=而不是==，那么你将用1替换var1中所有的值，因为=是赋值变量的另一种方式。因而，语句var2 = var3当然为真。

最后，你也可以用指定的值(最常见的是NA)替换任意(字符、数字、或逻辑)值。

> var1[var1 == "don’t know"] <-NA # 用缺失值NA替换全部 "don’t know"

当用重编码变量var1替换原来数据data$var1中的var1后：data$var1<-var1。你可以组合重编码和替换步骤成一步进行，例如：

> data$var1[data$var1 =< 0] <--1

另一选择方法，不仅仅是对变量中指定值重编码，你可以从已有变量计算产生新变量。例如：

> var3 <-var1 + 2 * var2

> var3 <-log(var1)

当生成新变量后，用赋值机制<-把新变量插入到数据框中。

除了产生虚拟变量之外，你可以转换一个向量成一个虚拟指示变量的矩阵。例如，见7.3部分，转换一个向量成k个唯一值(在一个完整向量中有n个观测值)进入到n×k矩阵。

数据缺失值

处理你变量中的一些缺失值：

1. 你可用Amelia(或其它程序)对数据集进行多重推理来生成。

2. 你可省略缺失值。Zelig模型自动应用智能列表舍弃缺失值，运行模型不需要采用行动。为获得观测值的总数，或用其它描述性统计分析来分析数据集，你可以手动省略不完整的观测值。要这样做，首先是建立一个仅含要分析变量的数据框。例如：

> new.data <-cbind(data$dep.var, data$var1, data$var2, data$var3)

cbind()命令是"捆绑列"变量成一个数据框。(相似的命令rbind()是"捆绑行"把各变量相同数据步的观测值进入一个数据框)。从新数据框中省略缺失值：

> new.data <-na.omit(new.data)

如果你对整个数据框执行na.omit()，你将冒删除观测值的风险，即那些在你试验变量的值是完整的，但是在其它变量是缺失值，它们将被删除。新建一个仅含有你试验变量的数据框，na.omit()后保留的观测值数目常常增加了。(即你有针对性的省略，使可用的观测值增加，如果直接少略，许多因某个变量有缺失值而丢失不少可用的观测值)

下一章进行统计分析命令，进度将放慢一些。

<未完待续>

lin

哪位仁兄有R2.4.0和EVIEWS5.0啊?发给我好吗?

linzncj@yahoo.com.cn

不甚感激

areg

[quote]引用第14楼lin于2006-11-29 23:55发表的“”:

哪位仁兄有R2.4.0和EVIEWS5.0啊?发给我好吗?

linzncj@yahoo.com.cn

不甚感激[/quote]

请看本帧主题下第2章，安装R，介绍得很细，看帧要认真呀

areg

#######################################################

# 4 Statistical Commands 29

# 4.1 ZeligCommands ................................. 29

# 4.1.1 QuickOverview .............................. 29

# 4.1.2 Examples ................................. 30

# 4.1.3 Details................................... 32

# 4.2 SupportedModels................................. 37

# 4.3 ReplicationProcedures .............................. 40

# 4.3.1 SavingReplicationMaterials....................... 40

# 4.3.2 ReplicatingAnalyses ........................... 41

########################################################

#######################################################

# 4 Statistical Commands 29

# 4.1 ZeligCommands ................................. 29

# 4.1.1 QuickOverview .............................. 29

# 4.1.2 Examples ................................. 30

# 4.1.3 Details................................... 32

########################################################

第4章统计分析命令

4.1 Zelig命令

4.1.1 概况游览

任何统计分析模型，Zelig用3个命令zelig()、setx()和sim()的组合就完成。见手册中图4.1。(#文本中不能显示图形！)zelig()关联的总体概况summary(),第2个命令setx()是分析相关的条件命令whatif()，第3个命令sim()涉及的是描述性统计summary()和图形plot()。

1. 对于给定的数据集，用zelig()来选择统计模型和指定一组变量。对于标准的概似(似然)模型，例如，系数估计、其它模型参数和方差与协方差矩阵等这样的步骤。此外，你可以选项变量中选择：

(1) 预处理：在调用zelig()之前，你可以选择许多种数据预处理(例如，匹配或多重推理)来使你的统计分析推断更准确。

(2) 模型概述：调用zelig()后，你可以用summary()来概述相关的输出结果。

2. 提前考虑"感兴趣的统计量"，用setx()来设置解释变量中的每一个变量以来确定选择(实际或违实的)值。调用setx()后，你可以用WhatIf来解析决定他们所涉及的是否用内推(即在观测值数据内部某个突出部分)或外推这些选择,还有从该数据中这些违实情况有多少。在setx()的违实选择包含从数据外推程度能生成更加独立模型的考虑(King and Zeng (2006)，Stoll et al. (2006))。

3. 用sim()来把你的"感兴趣的统计量"从模型中得到模拟(如，预测值、预测概率、风险率或首要差异)。(这些模拟值可能是使用近似正态渐进地得出(默认情况)，bootstrapping，或当变量是如直接来自Bayesian posterior的其它方法)。调用sim()后，用下面的方式概述该模拟：

(1) summary()函数给出数字型显示。对于多重的setx()值，summary()让你概述从观测值中选取一个观测值或观测子集模拟。

(2) 如果setx()的值仅由一个观测值组成，plot()生成每个"感兴趣的统计量"的密度图。

无论哪种可能，我们用z.out作为zelig()的对象输出，x.out作为setx()的输出对象，s.out作为sim()输出对象，但你也可选择其它名字。

4.1.2 示例

(1) 使用Zelig中的数据集turnout去估计有关种族和年龄函数的每个人投票概率逻辑模型。模拟每个白人投票的预期概率，认为用年龄有意义：

> data(turnout)

> z.out <-zelig(vote ~ race + age, model = "logit", data = turnout)

> x.out <-setx(z.out, race = "white")

> s.out <-sim(z.out, x = x.out)

> summary(s.out)

###########################################

Model: logit

Number of simulations: 1000

Values of X

(Intercept) racewhite age

1 1 1 45.3

Expected Values: E(Y|X)

mean sd 2.5% 97.5%

1 0.7675 0.01010 0.7474 0.787

Predicted Values: Y|X

0 1

1 0.24 0.76

##########################################

(2) 计算首要差异(两样本或两变量或两因子水平间的平均数之差)和风险率，12到16岁教育的改变，用数据中其它变量的平均数为条件：

> data(turnout)

> z.out <-zelig(vote ~ race + educate, model = "logit", data = turnout)

> x.low <-setx(z.out, educate = 12)

> x.high <-setx(z.out, educate = 16)

> s.out <-sim(z.out, x = x.low, x1 = x.high)

> summary(s.out) # 数字值概况

> plot(s.out) # 图形概况

#########################################

Model: logit

Number of simulations: 1000

Values of X

(Intercept) racewhite educate

1 1 1 12

Values of X1

(Intercept) racewhite educate

1 1 1 16

Expected Values: E(Y|X)

mean sd 2.5% 97.5%

1 0.771 0.01052 0.7502 0.791

Predicted Values: Y|X

0 1

1 0.241 0.759

First Differences in Expected Values: E(Y|X1)-E(Y|X)

mean sd 2.5% 97.5%

1 0.09388 0.008002 0.07788 0.1095

Risk Ratios: P(Y=1|X1)/P(Y=1|X)

mean sd 2.5% 97.5%

1 1.122 0.01095 1.100 1.143

>

#########################################

(3) 计算你数据集中每个观测值的期望值：

> data(turnout)

> z.out <-zelig(vote ~ race + educate, model = "logit", data = turnout)

> x.out <-setx(z.out, fn = NULL)

> s.out <-sim(z.out, x = x.out)

> summary(s.out)

#########################################

Model: logit

Number of simulations: 1000

Mean Values of X (n = 2000)

(Intercept) racewhite educate

1.000 0.854 12.067

Pooled Expected Values: E(Y|X)

mean sd 2.5% 97.5%

0.7458 0.1138 0.4434 0.9108

Pooled Predicted Values: Y|X

0 1

1 0.2549 0.745

>

#########################################

(4) 使用有序逻辑模型进行5重推理，数据来源于Scheve and Slaughter(2001)：

> data(immi1, immi2, immi3, immi4, immi5)

> z.out <-zelig(as.factor(ipip) ~ wage1992 + prtyid + ideol,

model = "ologit",

data = mi(immi1, immi2, immi3, immi4, immi5))

#########################################

> z.out

[[1]]

Call:

zelig(formula = as.factor(ipip) ~ wage1992 + prtyid + ideol,

model = "ologit", data = mi(immi1, immi2, immi3, immi4, immi5))

Coefficients:

wage1992 prtyid ideol

-0.47225 0.02215 0.10887

Intercepts:

1|2 2|3 3|4 4|5

-2.9684 -1.9158 0.3212 1.4754

Residual Deviance: 6696.12

AIC: 6710.12

[[2]]

………………………………

attr(,"class")

[1] "MI"

>

#########################################

(5) 通过MatchIt包来使用最接近匹配得分，接着计算该条件的岗前培训设计的平均处理效果，使用线性回归模型：

> library(MatchIt)

> data(lalonde)

> m.out <-matchit(treat ~ re74 + re75 + educ + black + hispan + age,

data = lalonde, method = "nearest")

> m.data <-match.data(m.out)

> z.out <-zelig(re78 ~ treat + distance + re74 + re75 + educ + black +

hispan + age, data = m.data, model = "ls")

> x.out0 <-setx(z.out, fn = NULL, treat = 0)

> x.out1 <-setx(z.out, fn = NULL, treat = 1)

> s.out <-sim(z.out, x=x.out0, x1=x.out1)

> summary(s.out)

#########################################

> summary(s.out)

Model: ls

Number of simulations: 1000

Mean Values of X (n = 370)

(Intercept) treat distance re74 re75 educ

1.0000 0.0000 0.4654 2280.9388 1746.2051 10.4081

black hispan age

0.6568 0.1676 25.9351

Mean Values of X1 (n = 370)

(Intercept) treat distance re74 re75 educ

1.0000 1.0000 0.4654 2280.9388 1746.2051 10.4081

black hispan age

0.6568 0.1676 25.9351

Pooled Expected Values: E(Y|X)

mean sd 2.5% 97.5%

5525 1956 2101 9858

Pooled First Differences in Expected Values: E(Y|X1)-E(Y|X)

mean sd 2.5% 97.5%

1216.7 803.9 -503.2 2780.6

>

<未完待续>

areg

#########################################

4.1.3 细节

#########################################

1. z.out <-zelig(formula, model, data, by = NULL, ...)

zelig()命令对指定的数据集估计选择一个统计分析模型。你可以命名输出结果(上面的z.out)为你想的名。你必需包括三个参量，按下面的秩序进行：

(a) formula公式的格式为y~ x1+x2,其中y是因变量，x1和x2是解释变量(自变量)，并且y,x1,x2都包含在同一个数据集中。加号+表示的是“包括”而不是“加”。你可以包括不用提前计算的x1*x2格式的相互作用词条，或者包括独立的主效应。例如，R处理公式 y~ x1*x2的方式是y~ x1 +x2 +x1*x2。为了阻止R自动包括各个独立主效应条目，使用I()函数，因此：y ~ I(x1 * x2)。

(b) model模型，让你选择执行哪个统计分析模型。你必需用双引号标出模型的名字，例如：它的格式为model="ls"。见4.2部分列出当前支持的模型。

(c) data数据,指定一个含有公式中调用变量的数据框，格式为data=mydata。另一可选方案是，你可以输入多个多个类推数据集，所用格式为data = mi(data1, data2, ...)(脚注1)。如果你操作的是用MatchIt建立的匹配数据，你可以在zelig()语句内使用data=match.data(…)新建一个数据框。在全部情形中，数据框或MatchIt对象必需提前载入到工作内存中。

(d) by(参数选项，它的默认值是NULL)允许你在数据框中选择一个因子变量(见2部分)为子变量。对每一个唯一层的定义用by变量，zelig()进行独立运行这个指定模型。变量的选择将不在公式中，因为在子集中by变量中没有变量。如果你有一个数据集是关于联合国191个国家,例如，你可以用by选项来运行191次，每个国家一次，全都用一个zelig()语句。你也可以用by选项来对MatchIt子类运行这些模型。

(e) 输出对象z.out，含有所有选项的选择，包括数据集的名。因为数据集可能非常大，Zelig不保存所有的数据集，仅保存数据的名。每一次，你使用Zelig函数，它将在工作内存中搜索恰当名的数据集。(因此，在调用zelig()和setx()之间，或在setx()和sim()之间，对你选择的变量执行任意附加运算，一个关键点是，你不要改变你的数据集名。)

(f) 如果你想看看这些中间步骤相关输出，键入summary(z.out)来返回相关系数、标准误、统计检验量和概率值p。相反，我们推荐你计算大量的关注点；建立z.out仅是在这个任务3步骤中的第1步。

脚注1 多重推理是一种对数据缺失值处理的方法，比通常用的智能删除(list-wise deletion)方式更强大。你可以用如Amelia这样的程序来建立多重推理数据集；见King, Honaker, Joseph, Scheve (2000)。

########################################

<未完待续>

areg

#########################################

4.1.3 细节

#########################################

2. x.out <-setx(z.out, fn = list(numeric = mean, ordered = median, others = mode), data = NULL, cond = FALSE, ...)

setx()命令让你从各个解释变量(自变量)选择值，为用sim()来模拟许多关注点准备。setx()有两种操作类型：

(1) 你可执行通常的无条件预测(默认值,cond=FALSE)，通过清晰地选择你自己的每个解释变量的值，或者让setx()计算它们，这些值要么来自于用于建立z.out的数据，要么来自一个新数据集，指定数据参量的选项。你也可以对你的解释变量全部观测值计算其预测值，使用fn=NULL。

(2) 另一选择，对于高级用户，你可以执行条件预测(cond=TRUE)，对因变量观测值限定条件来预测某些"感兴趣的统计量"。在一个简单的线性回归模型中，这个操作并没有什么特别有趣之处，由于这个条件预测仅仅只是那观测因变量的观测值。不管怎样，这种条件预测对其它模型和方法是极有用的，包括下面的：

-在匹配的抽样设计中，对于处理的样本平均处理效应，可以通过计算处理组和他们的预期值的不同因变量间的差异来估计，或者没有进行处理的因变量的预期值(?)。

-对于被检查过的数据，条件预测将确保全部观测值大于被检查过的观测值(King et al. 1990)。

-在生态推理模型中，条件预测保证预测值是在线性层片上进行的，严格限制在已知边界内(King 1997; Adolph et al. 2003)。

-在许多线性随机效应(或分层Bayesian)模型的条件预测是非条件预测和观测的因变量的值的加权平均，以加权来预测有很高的确定性，对于这类观测值中，对因变量的值加权是很小的，因此减少了无效性；当没有加权的预测值有很高的不确定性，对不用条件的预测的相对权重是很小的，因此它减少了偏差。尽管一个简单的加权平均表达式在非线性模型中不再保留，在通常的逻辑回归中还保留，测量的均方误差典型地降低了(King et al. 2004)

在这些和其它模型中，对因变量的观测值加以条件限制能大大增加预测和测量的准确性。

setx()参量对非条件预测如下：

(a) z.out是zelig()输出对象中首先必需包括在内的。

(b) 你可以设置特定的解释变量为某个指定值，例如：

> z.out <-zelig(vote ~ age + race, model = "logit", data = turnout)

> x.out <-setx(z.out, age = 30)

setx()设置的变量如果是数字，如果有序因子是中位数，如果非有序因子是他们的众数，逻辑值和字符串，它不能明确地给出他们的平均数。另一方法是，你可以指定一个解释变量作为他们值的范围，在值的范围内对每个唯一值新建一个观测值(脚注2)：

> x.out <-setx(z.out, age = 18:95)

这就新建了78个观测值，从18岁为第1个观测值，19为第2个观测，直到95这第78个观测值。其它变量设为他们的默认值，但这可以用fn设置改变，在接下来中讲述。

(c) 选项，fn是一个让你选择不同的函数用于不同类的解释变量：

-numeric，默认是计算平均数

-ordered factor，默认是求中位数

-其它变量,由逻辑值、字符串和非有序因子组成，默认设置是它们的众数

然而，任何函数都可以用于数值型变量，默认值是平均数，对有序因子是中位数，众数仅为其它类型的变量提供。在特殊情况下，fn=NULL,setx()返回观测值的这些全部指标。

(d) 在fn参量中，你不能执行其它数据运算，但是可以助来自调用setx的输出结果来给解释变量建立新值。例如，设置解释变量给标准差并跟在平均数后：

> X.sd <-setx(z.out, fn = list(numeric = sd))

> X.mean <-setx(z.out, fn = list(numeric = mean))

> x.out <-X.mean -X.sd

脚注2：如果你允许同时超过一个变的改变，你将冒把问题中的变量的预测效应混杂起来的风险。

(e) 选项，从setx()的值计算结果来标识数据为一个新数据框(而不是用它来建立z.out)。你可以使用这个参量来设置解释变量的值为hold-out或out-of-sample fit tests。

(f) cond对非条件预测总是为FALSE。

如果你想计算风险率或首要差异(平均数之差),第二次调用setx()来为解释变量建立添加设置。例如，继续上面的例子，你可以建立一个解释变量值的可选设置为标准和上面的平均数：

> x.alt <-X.mean + X.sd

要求参量是条件预测如下：

(a) zelig()的输出结果z.out,必需首先包括进去。

(b) fn，它的值为NULL表示所有的观测都被选择。你仅可以对实际观测值进行条件推断，不是观测值的平均数或任意其它函数对观测值的应用。因此，如果fn是缺失值，但cond=TRUE，setx()强制转化fn=NULL。

(c) data,用于条件预测的数据。

(d) cond，对于条件预测，它的值为TRUE。

############################################

<未完待续>

areg

############################################

3. s.out <-sim(z.out, x = x.out, x1 = NULL, num = c(1000, 100),

bootstrap = FALSE, bootfn = NULL, ...)

sim()命令模拟"感兴趣的统计量"从zelig()和setx()中给出输出对象。这个操作仅用于统计模型的假定。sim()命令执行非条件或条件预测取决于在setx()中选项的选择。

对于非条件预测的参量如下：

(a) z.out，来自zelig()的模型输出。

(b) x，来自setx()执行模型输出操作后的输出。

(c) 选项，你可指定x1来计算首要差异，一个附加的setx()对象。例如，使用x.out和x.alt，你可以生成首要差异，应用如下：

> s.out <-sim(z.out, x = x.out, x1 = x.alt)

(d) 默认情况，模拟的数目、和等于1000(或如果选择用bootstrap时，用100。#请别超过500，本人试过，500次，我的机器大约要10分钟，慢啊)，但这可以降低一点以增加操作速度，或为了准确而增加次数。

(e) Zelig模拟参数来自经典的极大似然模型，使用渐近正态近似来进行逻辑似然。同样这种假定也用频次假设检验(当然，频次假定等于对先前一致性不好的值用Bayesian 后验概率渐近近似)(King, Tomz, and Wittenberg (2000))。对于Bayesian模型，无论哪种可能，Zelig从后验密度来模拟"感兴趣的统计量"。对于稳健的Bayesian模型，模拟来自Bayesian后验概率标识类型。

(f) 另一方法，你可以对模拟参数设bootstrap=TRUE来使用bootstrapped(重抽样替代原值)数据集。如果你的数据集很大，bootstrap过程通常将需要更多存储加强器和比使用渐近正态近似费时间。bootstrapping的类型(包括抽样方法)是由可选项参量bootfn来决定，见下面的描述。

(g) 如果选择bootstrap = TRUE，sim()将用默认的bootfn来重抽样参数，这种替换数据框来建立相同观测数的新数据框的重复抽样方式，接着再执行zelig()(在sim()函数内)以建立一组重复抽样参数。另一方法，你可以在sim()操作外建立一个函数来处理不同的重复操作。更多细节，请参考help(boot)(脚注3)。

对于条件预测，sim()仅取两个需要参量：

(a) z.out，来自zelig()的模型输出。

(b) x，来自setx()的条件输出。

(c) 可选项，对于持续性模型cond.data，它的数据参量来自setx()。对于模型中持续性因变理(见6部分)，sim()必需归咎于在计算平均处理效应之前的未经检查的因变量。输入cond.data允许sim()来生成近似值。

添加参量被忽略或生成错误信息。

脚注3 如果你选择建立你自己的bootfn，必需包括下面3个参量：data,原始数据框；使用help(boot)中所描述中的抽样方法中的一种；还有就是对象，原始zelig()输出对象。可选的重复抽样函数必需的样本数据、拟合的模型和提取指定模型参数。

<未完待续>