Questions tagged «generalized-linear-model»

是什么意思t value和Pr(>|t|)使用时summary()对R中的线性回归模型的功能？ Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 10.1595 1.3603 7.469 1.11e-13 *** log(var) 0.3422 0.1597 2.143 0.0322 *

11 r  regression  generalized-linear-model 

有人知道库克距离的公式是什么吗？最初的库克距离公式使用学生化残差，但是为什么R使用std。计算GLM的库克距离图时的皮尔逊残差。我知道没有为GLM定义学生化残差，但是用于计算Cook距离的公式如何？ 假设以下示例： numberofdrugs <- rcauchy(84, 10) healthvalue <- rpois(84,75) test <- glm(healthvalue ~ numberofdrugs, family=poisson) plot(test, which=5) 库克距离的公式是什么？换句话说，计算红色虚线的公式是什么？标准化皮尔逊残差的公式从何而来？

11 r  regression  generalized-linear-model  residuals  cooks-distance 

我正在尝试使用负二项式模型来模拟影响R中宿主的寄生虫的平均强度。我不断收到50则警告，内容是： In dpois(y, mu, log = TRUE) : non-integer x = 251.529000 我该如何处理？我的代码如下所示： mst.nb = glm.nb(Larvae+Nymphs+Adults~B.type+Month+Season, data=MI.df)

11 r  generalized-linear-model  negative-binomial 

我对使用RMSE（均方根误差）比较不同逻辑模型的有效性存在疑问。响应为0或1，并且预测为0- 之间的概率1。 以下应用的方式对二进制响应也有效吗？ # Using glmnet require(glmnet) load(url("https://github.com/cran/glmnet/raw/master /data/BinomialExample.RData")) cvfit = cv.glmnet(x, y, family = "binomial", type.measure = "mse") A <- predict(cvfit, newx = x, s = "lambda.min", type = "response") RMSE1 <- mean((y - A)^2) # 0.05816881 # glm mydata <- read.csv("https://stats.idre.ucla.edu/stat/data/binary.csv") mydata$rank <- factor(mydata$rank) mylogit <- glm(admit ~ …

10 regression  logistic  generalized-linear-model  glmnet  rms 

我正在R（通用线性模型）中运行glms。我以为我知道pvalues-直到我看到调用glm的摘要不会为您提供代表整个模型的压倒性pvalue-至少不是在线性模型可以做到的地方。 我想知道这是否作为系数表顶部的Intercept的p值给出。因此，在下面的示例中，尽管Wind.speed..knots和canopy_density对模型可能很重要，但是我们如何知道模型本身是否很重要？我如何知道是否信任这些价值观？我是否想知道（Intercept）的Pr（> | z |）代表模型的重要性？这个模特重要吗？谢谢！ 我应该注意，运行F检验不会给出pvalue，因为我收到一条错误消息，指出在二项式族上运行F检验是不合适的。 Call: glm(formula = Empetrum_bin ~ Wind.speed..knots. + canopy_density, family = binomial, data = CAIRNGORM) Deviance Residuals: Min 1Q Median 3Q Max -1.2327 -0.7167 -0.4302 -0.1855 2.3194 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.8226 1.2030 1.515 0.1298 Wind.speed..knots. -0.5791 0.2628 -2.203 0.0276 * …

10 r  statistical-significance  generalized-linear-model  p-value  descriptive-statistics 

双方bayesglm()（在手臂[R封装）和各种功能的MCMCpack包的目的是做广义线性模型的贝叶斯估计，但我不知道他们实际上是计算同样的事情。MCMCpack函数使用马尔可夫链蒙特卡罗方法从关节后部获得模型参数的（相关）样本。bayesglm()另一方面，产生。我不确定。 看起来像bayesglm()产生一个点估计，这将使其成为MAP（最大后验）估计，而不是完整的贝叶斯估计，但是sim()似乎有一个函数可用于获取后验绘制。 有人可以解释两者的预期用途的区别吗？可以bayesglm() + sim()产生真实的后验图，还是某种近似？

10 bayesian  generalized-linear-model 

我只是想用dnorm（）重新计算lm模型（在R中）的logLik函数提供的对数似然率。 对于大量数据（例如n = 1000），它可以（几乎完美）工作： > n <- 1000 > x <- 1:n > set.seed(1) > y <- 10 + 2*x + rnorm(n, 0, 2) > mod <- glm(y ~ x, family = gaussian) > logLik(mod) 'log Lik.' -2145.562 (df=3) > sigma <- sqrt(summary(mod)$dispersion) > sum(log(dnorm(x = y, mean = predict(mod), …

10 r  generalized-linear-model  likelihood  lm 

在R我们可以“前重”一glm经回归权重参数。例如： glm.D93 <- glm(counts ~ outcome + treatment, family = poisson(), weights=w) 如何在JAGS或BUGS模型中完成此操作？ 我找到了一些讨论此问题的论文，但没有一个提供示例。我主要对泊松和逻辑回归示例感兴趣。

10 bayesian  generalized-linear-model  jags  bugs  weighted-regression 

为了简单的示例，假设有两个线性回归模型 模型1有三个预测，x1a，x2b，和x2c 模型2具有从模型1 3个预测和两个附加的预测x2a和x2b 有一个种群回归方程，其中模型1 解释的种群方差为，模型解释为 。模型2解释的种群中的增量方差为ρ2(1)ρ(1)2\rho^2_{(1)}ρ2(2)ρ(2)2\rho^2_{(2)}Δ ρ2= ρ2（2 ）- ρ2（1 ）Δρ2=ρ(2)2−ρ(1)2\Delta\rho^2 = \rho^2_{(2)} - \rho^2_{(1)} 我有兴趣获取\ Delta \ rho ^ 2的估计量的标准误差和置信区间Δ ρ2Δρ2\Delta\rho^2。虽然该示例分别涉及3个和2个预测变量，但我的研究兴趣涉及大量不同数量的预测变量（例如5个和30个）。我首先想到的是使用 Δ [R2一dĴ= r2一dj （2 ）- - [R2一dĴ （1 ）Δradj2=radj(2)2−radj(1)2\Delta r^2_{adj} = r^2_{adj(2)} - r^2_{adj(1)}作为估计量并进行引导，但是我不确定是否会适当的。 问题 是Δ [R2一dĴΔradj2\Delta r^2_{adj}一个合理的估计Δ ρ2Δρ2\Delta \rho^2？ 如何获得总体r平方变化的置信区间（即Δ ρ2Δρ2\Delta\rho^2）？ 引导Δ ρ2Δρ2\Delta\rho^2是否适合计算置信区间？ 任何对模拟或已发表文献的引用也将受到欢迎。 范例程式码 如果有帮助，我在R中创建了一个小的模拟数据集，可用于演示答案： …

10 regression  confidence-interval  estimation  r-squared  shrinkage  anova  t-test  references  tukey-hsd  machine-learning  boosting  r  clustering  fishers-exact  generalized-linear-model  model  probit  link-function  r  survival  probability  distributions  dice  logistic  lme4-nlme  glmm  meta-analysis  distributions  distributions  factor-analysis  r  anova  repeated-measures  post-hoc 

我有一个关于广义线性模型（GLM）的问题。我的因变量（DV）是连续的并且不正常。因此，我对其进行了日志转换（仍然不正常，但对其进行了改进）。 我想将DV与两个类别变量和一个连续协变量相关联。为此，我想进行GLM（我正在使用SPSS），但是我不确定如何决定要选择的分布和功能。 我已经进行了Levene的非参数检验，并且我具有方差均匀性，因此我倾向于使用正态分布。我已经读过，对于线性回归，数据不需要是正态的，残差也可以。因此，我从每个GLM分别打印了标准化的Pearson残差和线性预测变量的预测值（GLM正常标识函数和正常对数函数）。我已经进行了正态性检验（直方图和Shapiro-Wilk），并分别针对两个预测值绘制了残差与预测值（以检查随机性和方差）。来自身份函数的残差不正常，但来自对数函数的残差正常。我倾向于选择具有对数链接功能的正态，因为Pearson残差呈正态分布。 所以我的问题是： 可以对已经进行日志转换的DV使用GLM正态分布和LOG链接功能吗？ 方差同质性检验是否足以证明使用正态分布是合理的？ 残差检查程序是否正确以证明选择链接功能模型是正确的？ 左侧是DV分布图，右侧是对数链接功能，是GLM法线的残差。

10 normal-distribution  generalized-linear-model  data-transformation  residuals  histogram 

R glm和glmnet使用不同的算法。 当我同时使用两者时，我会发现估计系数之间存在不小的差异。 我对何时一个比另一个更准确以及解决/准确性权衡的时间感兴趣。 具体来说，我指的是在glmnet中设置lambda = 0的情况，这是因为它估计与glm相同。

10 r  generalized-linear-model  glmnet 

使用“ glm”查找逻辑回归模型的准确性的一种方法是查找AUC图。如何为连续响应变量（family ='gaussian'）找到的回归模型进行相同的检查？ 哪些方法用于检查回归模型对数据的拟合程度？

10 r  regression  generalized-linear-model 

假设我有10个学生，每个学生都尝试解决20个数学问题。对问题的评分为正确或不正确（在longdata中），每个学生的表现都可以通过准确性度量（在subjdata中）进行总结。下面的模型1、2和4看起来会产生不同的结果，但是我知道它们在做相同的事情。他们为什么产生不同的结果？（我提供了模型3作为参考。） library(lme4) set.seed(1) nsubjs=10 nprobs=20 subjdata = data.frame('subj'=rep(1:nsubjs),'iq'=rep(seq(80,120,10),nsubjs/5)) longdata = subjdata[rep(seq_len(nrow(subjdata)), each=nprobs), ] longdata$correct = runif(nsubjs*nprobs)<pnorm(longdata$iq/50-1.4) subjdata$acc = by(longdata$correct,longdata$subj,mean) model1 = lm(logit(acc)~iq,subjdata) model2 = glm(acc~iq,subjdata,family=gaussian(link='logit')) model3 = glm(acc~iq,subjdata,family=binomial(link='logit')) model4 = lmer(correct~iq+(1|subj),longdata,family=binomial(link='logit'))

10 r  regression  logistic  generalized-linear-model  binomial 

我有以下形式的GLMM： lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 当我使用时drop1(model, test="Chi")，我得到的结果与Anova(model, type="III")从汽车包装或汽车上获得的结果不同summary(model)。后两个给出相同的答案。 通过使用大量虚构数据，我发现这两种方法通常没有区别。对于平衡线性模型，不平衡线性模型（不同组中的n不相等）和平衡广义线性模型，它们给出相同的答案，但对于平衡广义线性混合模型，它们给出相同的答案。因此看来，只有在包括随机因素的情况下，这种矛盾才会显现出来。 为什么这两种方法之间存在差异？ 使用GLMM时应使用Anova()还是drop1()应使用？ 至少就我的数据而言，两者之间的差异很小。哪一个使用都重要吗？

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

通过 为样本定义零膨胀的Poisson回归模型 ，并进一步假设参数和满足(y1,…,yn)(y1,…,yn)(y_1,\ldots,y_n)ÿ一世= { 0ķ概率为p 一世+ （1 − p一世）e- λ一世概率（1 − p 一世）e- λ一世λķ一世/ k！Yi={0with probability pi+(1−pi)e−λikwith probability (1−pi)e−λiλik/k! Y_i = \begin{cases} 0 & \text{with probability} \ p_i+(1-p_i)e^{-\lambda_i}\\ k & \text{with probability} \ (1-p_i)e^{-\lambda_i} \lambda_{i}^{k}/k! \end{cases}λ =（ λ1个，… ，λñ）λ=(λ1,…,λn)\mathbf{\lambda} = (\lambda_1, \dots, \lambda_n)p =（ p1个，… ，pñ）p=(p1,…,pn)\textbf{p} = (p_1, \dots, p_n) …

10 generalized-linear-model  maximum-likelihood  poisson-distribution  expectation-maximization  latent-variable