使用 lm() 和 svyglm() 在 R 中進行加權線性回歸。 相同的模型，不同的結果

Question

我想在 R studio 中應用調查權重進行線性回歸。 我已經看到可以使用lm()函數來做到這一點，這使我能夠指定我想要使用的權重。 但是，也可以使用svyglm()函數執行此操作，該函數對調查設計對象中的變量進行回歸，該對象已由所需變量加權。

從理論上講，我認為這兩種回歸模型的結果沒有任何不同的原因，並且 beta 估計值是相同的。 然而，每個模型中的標准誤差是不同的，導致不同的 p 值，從而導致不同的顯着性水平。

哪種型號最合適？ 任何幫助將不勝感激。

這是R代碼：

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)

Answer 1

主要是為了確認評論中的內容：

• lm和svyglm將始終給出相同的點估計，但通常會給出不同的標准誤差。 在我在這里使用的術語中，@BenBolker 已經鏈接（謝謝！） ， lm假設精確權重， svyglm假設采樣權重
• 對於那個特定的調查數據集，您有抽樣權重並需要svyglm
• 根據調查的描述，您還希望有一個分層變量，但看起來他們似乎不提供它。 如果他們這樣做了，它將進入svydesign並用於減少svyglm的標准誤差