R与Stata逻辑回归差异：加权模型等价性咨询

我正在复现一篇大概率用Stata完成的论文，用R做分析时，变量构建、加权样本和描述性统计结果完全一致，但回归结果差异极大。已知作者用的是逻辑回归，输出边际效应及标准误，但无法获取原代码，推测问题出在模型设定差异上。

我的R代码：

design <- svydesign(ids = ~1, weights = ~pond, data = model_data)
model <- y ~ x
svyglm(model, design, family = quasibinomial())

请问这段代码和Stata的以下代码是否完全等价？

logit y x [pweight = pond]

重点关注两者权重处理的差异。

两段代码并不完全等价，核心差异体现在权重处理逻辑和模型估计框架上：

1. 权重的本质与处理方式 #

• Stata的[pweight=pond]是概率权重，用于将样本加权匹配总体结构，直接对似然函数进行加权，执行的是加权MLE（极大似然估计）。默认情况下，其标准误基于加权数据的信息矩阵计算，若需稳健标准误需额外指定robust选项。
• R的svydesign(ids=~1, weights=~pond)是将pond作为调查抽样权重，svyglm会基于调查抽样的框架计算方差，包含权重缩放、自由度调整等调查设计相关的逻辑，并非简单的加权MLE。

2. 模型估计框架差异 #

• R代码中使用了family=quasibinomial()，这是准似然模型，不严格假设因变量服从二项分布，标准误采用三明治（稳健）估计；而Stata的logit命令是严格的二项Logistic回归，基于似然函数最大化进行估计，两者的标准误计算逻辑不同。

3. 匹配Stata代码的R实现方案 #

如果要完全匹配Stata的logit y x [pweight=pond]，应使用R的加权普通glm，而非调查抽样的svyglm：

glm(y ~ x, data = model_data, weights = pond, family = binomial())

若原论文实际使用的是调查抽样设计下的Logistic回归（对应Stata的svy: logit命令），才需要用R的svyglm，此时需确保Stata代码是基于svy模块而非普通logit加pweight。

内容的提问来源于stack exchange，提问作者Val