Wie Analysieren Panel-Daten in R mit logistischen Regression (GlmmML)?

Question

Momentan forsche ich nach der Wahrscheinlichkeit, dass ein CEO das Unternehmen verlässt (binäre Variable = "1", wenn sie links ist). Meine Daten sind unausgewogene Panel-Daten für 50 Unternehmen mit 51 Personen für den Zeitraum 2013-2015.

Ich habe versucht, zwei Regressionsmodelle (feste und zufällige Effekte) mit dem glmmML-Paket auszuführen. Ich erhalte jedoch die folgende Warnung:

pdata <- plm.data(ceodata, index=c("id","year")) 
fixed <- glmmboot(left ~ age+tenure+boardappr+ROE, 
    family=binomial(link="logit"), data=pdata, cluster=id) 
    Warning messages: 
1: In model.response(mf, "numeric") : using type = "numeric" with a factor response will be ignored 
2: In glmmbootFit(X, Y, weights, start.coef, cluster, offset, family, :[glmmboot:] Information non-positive definite. No variance! 
3: In Ops.factor(Y, res$fitted) : ‘/’ not meaningful for factors 
4: In Ops.factor(Y, log(ifelse(Y == 0, 1, Y/res$fitted))) ‘*’ not meaningful for factors 
5: In Ops.factor(1, Y) : ‘-’ not meaningful for factors 
6: In Ops.factor(1, Y) : ‘-’ not meaningful for factors 

Wenn ich den Satz der Variablen ändere, bekomme ich die gleichen warnenden und bedeutungslosen Regressionsergebnisse. Ich habe mich gefragt, ob ich etwas falsch mache oder ein Problem mit den Daten besteht, die ich verwende. Vielleicht kann jemand den Code teilen, um feste und zufällige Effektmodelle sowie Hausman-Test für logistische Regression zu laufen?

P.S. Die Daten, die ich wie folgt aussehen verwenden:

Answer 1

Das proximale Problem hierbei ist, dass (im Gegensatz zu glm in Basis R und Modelle zu kopieren sein Muster) glmmML nicht kategoriale Variablen als Reaktionen ermöglichen. Vermutlich

pdata <- transform(pdata,left=as.numeric(left)-1) 

(in diesem speziellen Fall würde as.numeric(as.character(left)) die gleichen Ergebnisse geben ...) wird dabei helfen: es wird der erste Faktor Pegel auf 0 und die zweite bis 1.

I don übersetzen Ich weiß nicht viel über glmmML: Ich gab eine Antwort here zeigt, wie man einen Hausman Test für Modelle mit stats::glm und lme4::glmer ...

implementieren implementieren