基于聚类标准误的glm probit模型：F统计量及统计量获取方法

1. 计算聚类调整后的部分F统计量 #

使用car包的linearHypothesis()函数时，指定vcov参数为已计算好的聚类方差协方差矩阵cluster_se，就能得到聚类调整后的F统计量：

library(car)
# 聚类调整后的部分F检验
linearHypothesis(model, c("x1=0", "x2=0"), test = "F", vcov = cluster_se)

该参数会让函数用聚类调整后的方差矩阵计算检验统计量，替代默认的模型方差矩阵。

2. 获取聚类模型的伪R²、AIC和观测数 #

聚类标准误仅修正参数的标准误，不会改变模型的参数估计、拟合优度、信息准则或观测数，这些统计量完全基于原glm模型的拟合结果，直接从原模型对象提取即可：

• 伪R²：基于模型偏差值计算，和原代码逻辑一致：

  pseudo_r2 <- 1 - model$deviance / model$null.deviance
  pseudo_r2
  

• AIC：直接提取模型对象的AIC属性：

  model$aic
  

• 观测数：从模型对象或数据集获取均可：

  # 从模型对象提取
  model$nobs
  # 从数据集提取
  nrow(df)
  

本质上，聚类调整只影响参数的显著性检验结果（标准误、t/F统计量），不改变模型的拟合本身，因此无需针对聚类对这些统计量做额外调整。

内容的提问来源于stack exchange，提问作者fsure