MLRtime:如何在 Stata 调用 R 的机器学习包?

发布时间:2021-10-01 阅读 2125

Stata连享会   主页 || 视频 || 推文 || 知乎

温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。

New! lianxh 命令发布了:
随时搜索推文、Stata 资源。安装命令如下:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh

课程详情 https://gitee.com/lianxh/Course

课程主页 https://gitee.com/lianxh/Course

⛳ Stata 系列推文:

作者:吕卓阳 (厦门大学)
邮箱lvzy20@163.com


目录


R 是统计和数据分析应用中的一件利器,它具有免费开源、语言易懂、大量成熟的库与工具等优点。在「Stata 与 R 的无缝对接」一文中,我们已经介绍了如何通过 Rcall 在 Stata 中运行 R 语言。在本文中,我们将继续为大家介绍新的在 Stata 中调用 R 的包 MLRtime。该包允许在 Stata 中使用 R 的 grf 包与 ranger 包,从而实现随机森林的因果推断与预测功能。

1. 配置环境

我们需要配置环境以方便在 Stata 中调用 R 以实现机器学习。首先,需要通过以下命令安装 MLRtime 包:

*方法一
cnssc install lxhget, replace
lxhget mlrtime.pkg, install replace

*方法二
net install MLRtime, from("https://raw.githubusercontent.com/NickCH-K/MLRtime/master/")

其次,我们需要在 Stata 中配置 rcall 环境,主要步骤如下:

  • 在电脑中安装 RRstudio 软件,可以在官网中直接免费下载;
  • 使用 github package 下载 rcall:
net install github, from("https://haghish.github.io/github/")
github install haghish/rcall, stable 

最后,需要在 Stata 命令框中输入 MLRtimesetup, go,以确保 Stata 所需的包与 rcall (Haghish, 2019) 都已正确下载安装。完成以上设置后,就可以在 Stata 中调用 R 了!我们每次只需要在 Stata 的命令框中输入 rcall,就可以开始在 Stata 中运行 R 代码。由于 rcall 的基本功能已在「Stata 与 R 的无缝对接」中有详细介绍,本文将着重介绍使用 MLRtime 来进行机器学习建模。

rcall clear
sysuse auto.dta, clear
causal_forest price foreign mpg rep78 headroom trunk weight length turn, ///
  clearR replace seed(1002) pred(effect) opts(num.trees=50)              ///
  varreturn(effectSE = sqrt(predict(CF, X, estimate.variance = TRUE)@@variance.estimates)) ///
  return(ate = average_treatment_effect(CF)[1];ateSE = average_treatment_effect(CF)[2])

2. MLRtime 详解

MLRtime 的两个主要函数是 causal_forestranger,本质是调用 R 中的 causal_forest 函数进行随机森林因果推断与 ranger 函数进行随机森林预测。首先,我们先介绍一下R中的这两个函数。

R 的 causal_forestgrf 包中用于随机森林因果推断的一个函数,本质是使用随机森林的算法来进行回归,估计得到平均处理效应。grf 包是基于随机森林进行统计估计与推断的一个集成包,它为最小二乘回归、分位数回归、生存分析与处理效应估计提供非参数方法。R 的 rangerranger 包中用于随机森林因果预测的一个函数。ranger 包是 Wright 和 Ziegler (2017) 开发的高维数据随机森林的一个 R 包,可以高效的实现随机森林预测,支持分类、回归、生存森林的实现。

2.1 causal_forest 与 ranger

我们可以在 R document 的「官网」搜索 causal_forest,点击进入函数介绍页面,causal_forest 因果森林可以用于估计平均处理效应 τ(X)。下面将简单介绍 R 的 grf 包中 causal_forest 函数的主要参数,其余参数详见「R document」

causal_forest(
  X,
  Y,
  W,
  Y.hat = NULL,
  W.hat = NULL,
  num.trees = 2000,
  sample.weights = NULL,
  clusters = NULL
)
  • X:用于估计因果森林的协变量;
  • Y:结果变量,必须是无 NA 的数值型变量;
  • W:处理变量,必须是无 NA 的二元或数值型变量;
  • Y.hat:处理效应的边际影响 E[Y|Xi],默认值为 NULL;
  • W.hat:处理效应的倾向匹配,默认值为 NULL;
  • num.trees:随机森林数量,默认值为 2000;
  • sample.weights:给予每个样本的权重,默认值为 NULL;
  • clusters:标准误集聚,默认值为 NULL。

R 的 ranger 包中的ranger函数可以用于随机森林的快速实现,尤其适用于高维数据,主要参数介绍如下,其余参数可以详见「R document」

ranger(
  formula = NULL,
  data = NULL,
  num.trees = 500,
  mtry = NULL,
  importance = "none"
)
  • formula:随机森林拟合模型,仅适用于数值型变量;
  • data:训练数据集,一般为 dataframe、matrix、dgCMatrix、gwaa.data;
  • num.trees:随机森林数量;
  • mtry:每个节点中可能拆分的变量数,默认值为平方根;
  • importance:变量重要性,可选 none、impurity、impurity_corrected、permutation。

2.2 MLRtime主要函数介绍

随机森林是基于树模型的一种分类方法,Susan 等 (2019) 基于 Breiman (2001) 的随机森林方法提出了一种广义随机森林方法。该方法可以用于估计局部矩条件识别的任意 θ(x),并基于广义随机森林方法开发了非参数分位数回归、条件平均处理效应估计和使用工具变量的异质平均处理效应。Susan 等 (2019) 开发的 R 的 grf 包中causal_forest 就是用于估计随机森林的平均处理效应 τ(X) 的函数。我们假设 W 是二元无混淆的分配变量,定义平均处理效应如下:

当 W 连续时,我们可以有效的估计平均偏效应作为无混淆的平均处理效应:

我们可以在 Stata 中调用 MLRtime 包的 causal_forest 函数,来调用 R 的 grf 包中的 causal_forest 以实现随机森林因果推断。函数及参数含义如下:

causal_forest depvar indvar varlist [if] [in] [weight], [options]
  • clearR:运行前启动一个新的 R 环境;
  • replace:替换内存中同名变量;
  • seed(integer):在 R 中设置随机数种子;
  • pred(string):存储预测效果的变量名,需要满足 R 和 Stata 的命名条件;
  • predopts(string):一系列预测命令的选项,用逗号分割,主要参数如下,可以使用 rcall:help(predict.causal_forest,package='grf') 命令来进一步查看:
predict(object,newdata = NULL,linear.correction.variables = NULL,
ll.lambda = NULL,ll.weight.penalty = FALSE,
num.threads = NULL,estimate.variance = FALSE)
  • opts(string):一系列参数,用逗号连接,使用 @@ 代替 $,否则 Stata 将返回全局变量;
  • varreturn(string):返回新变量,以 ; 分隔,可以将随机森林对象 CF、协变量、处理和结果矩阵存储到 Stata 中,使用 @@ 代替 $,否则 Stata 将返回全局变量;
  • return(string):返回变量,以 ; 分隔,格式为 newmacro=functionsnewmacro 为在 Stata 创建的新变量名称,functions 为随机森林函数返回的 CF、协变量、处理和结果矩阵,譬如如果返回平均处理效应及其标准误,则输入以下命令:
(ate = average_treatment_effect(CF)[1]; ateSE = average_treatment_effect(CF)[2])
  • varsend(varlist):发送到R中到变量列表
  • precedes:其他参数,详见rcall:help(grf::causal_forest)
  • follows:希望在R中运行并返回Stata前执行到操作,详见 rcall:help(grf::causal_forest)

Wright 和 Ziegler (2017) 提出了高维数据随机森林,提高了随机森林的运算效率,并开发了 R 的 ranger 包。ranger 函数可以高效率的实现随机森林算法,并支持分类和回归森林 (Breiman 2001)、生存森林 (Ishwaran 等 2008)。除了在 R 中直接调用 ranger 函数,我们还可以在 Stata 中通过 MLRtime 来调用这一函数,Stata 中 ranger 函数命令介绍如下:

ranger depvar varlist [if] [in] [weight], [options]
  • clearR:运行前启动一个新的 R 环境;
  • replace:替换内存中同名变量;
  • seed(integer):在 R 中设置随机数种子;
  • pred(string):存储预测效果的变量名,需要满足 R 和 Stata 的命名条件;
  • predopts(string):一系列预测命令的选项,用逗号分割,主要参数如下,可以使用 rcall:help(predict.ranger,package='ranger') 命令来进一步查看:
predict(object,data = NULL,predict.all = FALSE,num.trees = object$num.trees,
type = "response",se.method = "infjack",
quantiles = c(0.1, 0.5, 0.9),what = NULL,seed = NULL,
num.threads = NULL,verbose = TRUE)
  • opts(string) 传递给 R 一系列参数,用逗号连接,使用 @@ 代替 $,否则 Stata 将返回全局变量;
  • varreturn(string):返回新变量,以 ; 分隔,可以将随机森林对象 CF、协变量、处理和结果矩阵存储到 Stata 中,使用 @@ 代替 $,否则 Stata 将返回全局变量;
  • return(string):返回变量,以 ; 分隔,格式为 newmacro=functionsnewmacro 为在 Stata 创建的新变量名称,functions 为随机森林函数返回的 CF、协变量、处理和结果矩阵,譬如如果返回平均处理效应及其标准误,则输入:
(ate = average_treatment_effect(CF)[1]; ateSE = average_treatment_effect(CF)[2])
  • varsend(varlist):发送到R中到变量列表;
  • precedes:其他参数,详见 rcall:help(grf::causal_forest)
  • follows:希望在 R 中运行并返回 Stata 前执行到操作,详见 rcall:help(grf::causal_forest)

可以看到 ranger 函数在 MLRtime 的形式与 causal_forest 完全相同,但两个函数的目的不同。前者是用于因果森林,后者是用于随机森林预测,尤其是对于高维数据。通过这两个函数,就可以实现在 Stata 中调用 R 进行随机森林算法的估计,其本质是调用 R 的 ranger 包和 grf 包。

3. 具体示例

我们使用 titanic 数据集进行因果森林与随机森林预测估计:

*使用 titanic 数据集样本内估计 ate
lxhget titanic.csv, replace
import delimited using titanic.csv, clear
sum
tabstat age pclass sibsp parch,by(survived)
gen female = 0
replace female = 1 if sex == "female"
gen name_length = strlen(name)
rcall clear
causal_forest survived age pclass sibsp female name_length,  ///
  clearR replace seed(1002) pred(effect) opts(num.trees=50) ///
  varreturn(effectSE = sqrt(predict(CF, X, estimate.variance = TRUE)@@variance.estimates)) ///
  return(ate = average_treatment_effect(CF)[1];ateSE = average_treatment_effect(CF)[2])
di r(ate)
di r(ateSE)


*使用 titanic 数据集样本内预测生存概率
lxhget titanic.csv, replace
import delimited using titanic.csv, clear

sum
tabstat age pclass sibsp parch,by(survived)
gen female = 0
replace female = 1 if sex == "female"
gen name_length = strlen(name)
rcall clear
ranger survived age pclass sibsp female name_length, clearR replace ///
  seed(1002) pred(pred_survived) predopts(data=rangerdata)          ///
  opts(num.trees=50, importance = 'permutation')                    ///
  return(importance = as.matrix(importance(RF)))
pwcorr survived pred_survived

4. 结论

MLRtime 是使用 Stata 调用 R 机器学习包的一个途径。尽管目前能实现的只有因果森林与随机森林预测,并且无法像 R 与 Python 一样可以方便的划分训练集与测试集,但是我们相信在未来的发展中,Stata 与 R 或其他软件的交互会越来越深入,可以实现的功能也越来越强大。

5. 参考资料

  • Athey S, Tibshirani J, Wager S. Generalized random forests[J]. The Annals of Statistics, 2019, 47(2): 1148-1178. -PDF-
  • Wright M N, Ziegler A. ranger: A fast implementation of random forests for high dimensional data in C++ and R[J]. arXiv preprint arXiv:1508.04409, 2015. -PDF-

6. 相关推文

Note:产生如下推文列表的 Stata 命令为:
lianxh 随机森林 机器学习 交互, m
安装最新版 lianxh 命令:
ssc install lianxh, replace

相关课程

免费公开课

最新课程-直播课

专题 嘉宾 直播/回看视频
最新专题 文本分析、机器学习、效率专题、生存分析等
研究设计 连玉君 我的特斯拉-实证研究设计-幻灯片-
面板模型 连玉君 动态面板模型-幻灯片-
面板模型 连玉君 直击面板数据模型 [免费公开课,2小时]
  • Note: 部分课程的资料,PPT 等可以前往 连享会-直播课 主页查看,下载。

课程主页

课程主页

关于我们

  • Stata连享会 由中山大学连玉君老师团队创办,定期分享实证分析经验。
  • 连享会-主页知乎专栏,400+ 推文,实证分析不再抓狂。直播间 有很多视频课程,可以随时观看。
  • 公众号关键词搜索/回复 功能已经上线。大家可以在公众号左下角点击键盘图标,输入简要关键词,以便快速呈现历史推文,获取工具软件和数据下载。常见关键词:课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法

连享会小程序:扫一扫,看推文,看视频……

扫码加入连享会微信群,提问交流更方便

✏ 连享会-常见问题解答:
https://gitee.com/lianxh/Course/wikis

New! lianxh 命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh