在lapply（）＆amp;地图（）：环境混乱与fixest :: feols和lm

Question

我正在尝试在lapply（）中使用explion.model.frame（） 都使用lm和fix> fixest :: feols（）。

碰巧的是，我不断遇到fixest :: feols的错误，这很可能是因为我对环境感到困惑。

这是一个原型示例：

library(fixest) 
library(lfe)
library(estimatr)

fun <- function(object, clustid){
  
  fml <- object$call$formula
  if(!inherits(clustid, "formula")){
    clustid <- reformulate(clustid)
  }
  
  expand.model.frame(
    model = object, 
    extras = clustid, 
    #envir = environment(terms(object)),
    #envir = .GlobalEnv,
    na.expand = FALSE
  )
  
}

data(mtcars)

tmp_lm <- lapply(list(mtcars, mtcars), function(x){lm(mpg ~ qsec ,data = x)})
lapply(tmp_lm, function(x) fun(x, clustid = "carb"))

tmp_feols <- lapply(list(mtcars, mtcars), function(x){feols(mpg ~ qsec ,data = x)})
lapply(tmp_feols, function(x) fun(x, clustid = ~carb))
# Error in eval(model$call$data, envir) : object 'x' not found

tmp_felm <- lapply(list(mtcars, mtcars), function(x){felm(mpg ~ qsec ,data = x)})
lapply(tmp_felm, function(x) fun(x, clustid = ~carb))

tmp_estimatr <- lapply(list(mtcars, mtcars), function(x){lm_robust(mpg ~ qsec ,data = x)})
lapply(tmp_estimatr, function(x) fun(x, clustid = ~carb))

是否有人建议我如何不得不调整fun（），以便我不再遇到以下错误？

Answer 1

从您的评论代码中，我可以看到您一直在尝试envir参数。您在此处的正确轨道。 “ Fixest”类包含一个称为call_env的对象，以确保您可以访问正确的评估环境。这意味着您需要根据传递的对象类型来更改代码以获取正确的调用环境：

fun <- function(object, clustid){

  if(!inherits(clustid, "formula")){
    clustid <- reformulate(clustid)
  }
  
  e <- if(class(object) == "fixest") 
    object$call_env else environment(formula(object))
  
  expand.model.frame(
    model = object, 
    extras = clustid, 
    envir = e,
    na.expand = FALSE
  )
  
}

这允许：

data(mtcars)

tmp_feols <- lapply(list(mtcars, mtcars), function(x){feols(mpg ~ qsec ,data = x)})
lapply(tmp_feols, function(x) fun(x, clustid = ~carb))
#> [[1]]
#>                      mpg  qsec carb
#> Mazda RX4           21.0 16.46    4
#> Mazda RX4 Wag       21.0 17.02    4
#> Datsun 710          22.8 18.61    1
#> Hornet 4 Drive      21.4 19.44    1
#> Hornet Sportabout   18.7 17.02    2
#> Valiant             18.1 20.22    1
#> Duster 360          14.3 15.84    4
#> Merc 240D           24.4 20.00    2
#> Merc 230            22.8 22.90    2
#> Merc 280            19.2 18.30    4
#> Merc 280C           17.8 18.90    4
#> Merc 450SE          16.4 17.40    3
#> Merc 450SL          17.3 17.60    3
#> Merc 450SLC         15.2 18.00    3
#> Cadillac Fleetwood  10.4 17.98    4
#> Lincoln Continental 10.4 17.82    4
#> Chrysler Imperial   14.7 17.42    4
#> Fiat 128            32.4 19.47    1
#> Honda Civic         30.4 18.52    2
#> Toyota Corolla      33.9 19.90    1
#> Toyota Corona       21.5 20.01    1
#> Dodge Challenger    15.5 16.87    2
#> AMC Javelin         15.2 17.30    2
#> Camaro Z28          13.3 15.41    4
#> Pontiac Firebird    19.2 17.05    2
#> Fiat X1-9           27.3 18.90    1
#> Porsche 914-2       26.0 16.70    2
#> Lotus Europa        30.4 16.90    2
#> Ford Pantera L      15.8 14.50    4
#> Ferrari Dino        19.7 15.50    6
#> Maserati Bora       15.0 14.60    8
#> Volvo 142E          21.4 18.60    2
#> 
#> [[2]]
#>                      mpg  qsec carb
#> Mazda RX4           21.0 16.46    4
#> Mazda RX4 Wag       21.0 17.02    4
#> Datsun 710          22.8 18.61    1
#> Hornet 4 Drive      21.4 19.44    1
#> Hornet Sportabout   18.7 17.02    2
#> Valiant             18.1 20.22    1
#> Duster 360          14.3 15.84    4
#> Merc 240D           24.4 20.00    2
#> Merc 230            22.8 22.90    2
#> Merc 280            19.2 18.30    4
#> Merc 280C           17.8 18.90    4
#> Merc 450SE          16.4 17.40    3
#> Merc 450SL          17.3 17.60    3
#> Merc 450SLC         15.2 18.00    3
#> Cadillac Fleetwood  10.4 17.98    4
#> Lincoln Continental 10.4 17.82    4
#> Chrysler Imperial   14.7 17.42    4
#> Fiat 128            32.4 19.47    1
#> Honda Civic         30.4 18.52    2
#> Toyota Corolla      33.9 19.90    1
#> Toyota Corona       21.5 20.01    1
#> Dodge Challenger    15.5 16.87    2
#> AMC Javelin         15.2 17.30    2
#> Camaro Z28          13.3 15.41    4
#> Pontiac Firebird    19.2 17.05    2
#> Fiat X1-9           27.3 18.90    1
#> Porsche 914-2       26.0 16.70    2
#> Lotus Europa        30.4 16.90    2
#> Ford Pantera L      15.8 14.50    4
#> Ferrari Dino        19.7 15.50    6
#> Maserati Bora       15.0 14.60    8
#> Volvo 142E          21.4 18.60    2

但是仍然可以在lm版本上使用。

当然，做到这一点的一种更复杂的方法是创建一个新的通用函数，该功能根据类别进行分发，而不是在一个大函数中处理类。

^由