Obtenga coeficientes estimados por máxima probabilidad en una tabla de observación de estrellas

Stargazer produce tablas de látex muy agradables para objetos lm (y otros). Supongamos que encajo en un modelo por máxima probabilidad. Me gustaría que Stargazer produjera una tabla parecida a una película para mis estimaciones. ¿Cómo puedo hacer esto?

Aunque es un poco hacky, una forma podría ser crear un objeto lm "falso" que contenga mis estimaciones; creo que esto funcionaría siempre que el resumen (my.fake.lm.object) funcione. ¿Es eso fácilmente factible?

Un ejemplo:

library(stargazer)

N <- 200
df <- data.frame(x=runif(N, 0, 50))
df$y <- 10 + 2 * df$x + 4 * rt(N, 4)  # True params
plot(df$x, df$y)

model1 <- lm(y ~ x, data=df)
stargazer(model1, title="A Model")  # I'd like to produce a similar table for the model below

ll <- function(params) {
    ## Log likelihood for y ~ x + student's t errors
    params <- as.list(params)
    return(sum(dt((df$y - params$const - params$beta*df$x) / params$scale, df=params$degrees.freedom, log=TRUE) -
               log(params$scale)))
}

model2 <- optim(par=c(const=5, beta=1, scale=3, degrees.freedom=5), lower=c(-Inf, -Inf, 0.1, 0.1),
                fn=ll, method="L-BFGS-B", control=list(fnscale=-1), hessian=TRUE)
model2.coefs <- data.frame(coefficient=names(model2$par), value=as.numeric(model2$par),
                           se=as.numeric(sqrt(diag(solve(-model2$hessian)))))

stargazer(model2.coefs, title="Another Model", summary=FALSE)  # Works, but how can I mimic what stargazer does with lm objects?

Para ser más precisos: con objetos lm, Stargazer imprime muy bien la variable dependiente en la parte superior de la tabla, incluye SE entre paréntesis debajo de las estimaciones correspondientes y tiene el R ^ 2 y el número de observaciones en la parte inferior de la tabla. ¿Existe una manera (n fácil) de obtener el mismo comportamiento con un modelo "personalizado" estimado por máxima verosimilitud, como el anterior?

Aquí están mis débiles intentos de disfrazar mi salida óptima como un objeto lm:

model2.lm <- list()  # Mimic an lm object
class(model2.lm) <- c(class(model2.lm), "lm")
model2.lm$rank <- model1$rank  # Problematic?
model2.lm$coefficients <- model2$par
names(model2.lm$coefficients)[1:2] <- names(model1$coefficients)
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
model2.lm$model <- df
model2.lm$terms <- model1$terms  # Problematic?
summary(model2.lm)  # Not working

Estaba teniendo este problema y lo superé mediante el uso de las funciones coef se, y omitdentro de Stargazer ...

stargazer(regressions, ...
                     coef = list(... list of coefs...),
                     se = list(... list of standard errors...),
                     omit = c(sequence),
                     covariate.labels = c("new names"),
                     dep.var.labels.include = FALSE,
                     notes.append=FALSE), file="")

Primero debe crear una instancia de un lmobjeto ficticio y luego disfrazarlo:

#...
model2.lm = lm(y ~ ., data.frame(y=runif(5), beta=runif(5), scale=runif(5), degrees.freedom=runif(5)))
model2.lm$coefficients <- model2$par
model2.lm$fitted.values <- model2$par["const"] + model2$par["beta"]*df$x
model2.lm$residuals <- df$y - model2.lm$fitted.values
stargazer(model2.lm, se = list(model2.coefs$se), summary=FALSE, type='text')

# ===============================================
#                         Dependent variable:    
#                     ---------------------------
#                                  y             
# -----------------------------------------------
# const                        10.127***         
#                               (0.680)          
#                                                
# beta                         1.995***          
#                               (0.024)          
#                                                
# scale                        3.836***          
#                               (0.393)          
#                                                
# degrees.freedom              3.682***          
#                               (1.187)          
#                                                
# -----------------------------------------------
# Observations                    200            
# R2                             0.965           
# Adjusted R2                    0.858           
# Residual Std. Error       75.581 (df = 1)      
# F Statistic              9.076 (df = 3; 1)     
# ===============================================
# Note:               *p<0.1; **p<0.05; ***p<0.01

(y luego, por supuesto, asegúrese de que las estadísticas de resumen restantes sean correctas)

No sé qué tan comprometido está con el uso de stargazer, pero puede intentar usar los paquetes broom y xtable, el problema es que no le dará los errores estándar para el modelo optim

library(broom)
library(xtable)
xtable(tidy(model1))
xtable(tidy(model2))