Questions tagged «generalized-linear-model»

我想知道是否仅对因变量（无论是因变量还是自变量）还是仅对自变量进行了对数转换，在解释上是否有所不同。 考虑以下情况 log(DV) = Intercept + B1*IV + Error 我可以将IV解释为百分比增长，但是当我拥有 log(DV) = Intercept + B1*log(IV) + Error 或当我有 DV = Intercept + B1*log(IV) + Error ？

46 regression  data-transformation  interpretation  regression-coefficients  logarithm  r  dataset  stata  hypothesis-testing  contingency-tables  hypothesis-testing  statistical-significance  standard-deviation  unbiased-estimator  t-distribution  r  functional-data-analysis  maximum-likelihood  bootstrap  regression  change-point  regression  sas  hypothesis-testing  bayesian  randomness  predictive-models  nonparametric  terminology  parametric  correlation  effect-size  loess  mean  pdf  quantile-function  bioinformatics  regression  terminology  r-squared  pdf  maximum  multivariate-analysis  references  data-visualization  r  pca  r  mixed-model  lme4-nlme  distributions  probability  bayesian  prior  anova  chi-squared  binomial  generalized-linear-model  anova  repeated-measures  t-test  post-hoc  clustering  variance  probability  hypothesis-testing  references  binomial  profile-likelihood  self-study  excel  data-transformation  skewness  distributions  statistical-significance  econometrics  spatial  r  regression  anova  spss  linear-model 

我知道我对逻辑回归的理解中缺少一些东西，非常感谢您的帮助。 据我所知，逻辑回归假设给定输入的结果为“ 1”的概率是通过逆逻辑函数传递的输入的线性组合。以下R代码对此进行了举例说明： #create data: x1 = rnorm(1000) # some continuous variables x2 = rnorm(1000) z = 1 + 2*x1 + 3*x2 # linear combination with a bias pr = 1/(1+exp(-z)) # pass through an inv-logit function y = pr > 0.5 # take as '1' if probability > 0.5 …

45 r  regression  logistic  generalized-linear-model  simulation 

具体来说，我想知道lm(y ~ x1 + x2)和之间是否有区别glm(y ~ x1 + x2, family=gaussian)。我认为glm的这种特殊情况等于lm。我错了吗？

45 r  normal-distribution  generalized-linear-model  lm 

我正在考虑建立一个预测比率的模型，其中和且。因此，该比率将在和之间。一个≤ b 一> 0 b > 0 0 1a/ba/ba/ba≤ba≤ba \le ba>0a>0a > 0b>0b>0b > 0000111 我可以使用线性回归，尽管它自然不限于0.1。我没有理由相信这种关系是线性的，但是无论如何，它当然经常被用作简单的第一个模型。 我可以使用逻辑回归，尽管通常将其用于预测两态结果的概率，而不是从0.1.1范围内预测连续值。 一无所知，您将使用线性回归，逻辑回归还是隐藏选项c？

41 regression  logistic  generalized-linear-model  beta-distribution  beta-regression 

这个问题是对@Greg Snow给出的答案的回应，该答案是我提出的有关使用Logistic回归和SAS进行功率分析的问题Proc GLMPOWER。 如果我正在设计一个实验并将对结果进行析因逻辑回归分析，该如何使用模拟（和此处）进行功效分析？ 这是一个简单的示例，其中有两个变量，第一个具有三个可能的值{0.03，0.06，0.09}，第二个是虚拟指示器{0,1}。对于每种组合，我们估计每种组合的响应率（响应者数量/投放市场的人数）。此外，我们希望因子的第一个组合的数量是其他因子的3倍（可以认为是相等的），因为该第一个组合是我们尝试过的真实版本。这种设置类似于链接问题中提到的SAS课程中给出的设置。 用于分析结果的模型将是具有主要影响和相互作用（响应为0或1）的逻辑回归。 mod <- glm(response ~ Var1 + Var2 + I(Var1*Var2)) 如何模拟用于此模型的数据集进行功率分析？ 当我通过SAS运行时Proc GLMPOWER（使用STDDEV =0.05486016 对应于sqrt(p(1-p))其中p是显示的响应率的加权平均值）： data exemplar; input Var1 $ Var2 $ response weight; datalines; 3 0 0.0025 3 3 1 0.00395 1 6 0 0.003 1 6 1 0.0042 1 9 0 0.0035 1 …

39 r  logistic  generalized-linear-model  simulation  power-analysis 

我建立了Logistic回归，其中在接受治疗后（Curevs. No Cure）治愈了结果变量。本研究中所有患者均接受治疗。我有兴趣查看是否患有糖尿病与该结局有关。 在R中，我的逻辑回归输出如下所示： Call: glm(formula = Cure ~ Diabetes, family = binomial(link = "logit"), data = All_patients) ... Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.2735 0.1306 9.749 <2e-16 *** Diabetes -0.5597 0.2813 -1.990 0.0466 * ... Null deviance: 456.55 on 415 degrees of freedom Residual deviance: 452.75 …

37 r  hypothesis-testing  logistic  generalized-linear-model  odds-ratio 

链接函数作为广义线性模型的组成部分的目的是什么？我们为什么需要它？ 维基百科指出： 将链接函数的域与分布函数均值的范围进行匹配可能很方便 这样做的好处是什么？

35 regression  generalized-linear-model  link-function  irls 

我有一个8个变量的逻辑GLM模型。我在R中进行了卡方检验，anova(glm.model,test='Chisq')当在测试的顶部进行排序时，其中两个变量可预测，而在底部的排序中则没有那么多。在summary(glm.model)表明它们的系数不显着（高p值）。在这种情况下，变量似乎并不重要。 我想问问哪个是变量显着性更好的检验-模型摘要中的系数显着性或来自的卡方检验anova()。还有-什么时候一个比另一个更好？ 我想这是一个广泛的问题，但是任何有关考虑因素的建议将不胜感激。

35 r  regression  logistic  statistical-significance  generalized-linear-model 

我想知道混合GLM和未混合GLM之间有什么区别。例如，在SPSS中，下拉菜单允许用户适应以下任一情况： analyze-> generalized linear models-> generalized linear models 和 analyze-> mixed models-> generalized linear 他们对缺失值的处理方式不同吗？ 我的因变量是二进制，并且我有几个分类的和连续的自变量。

34 mixed-model  generalized-linear-model  glmm  gee 

我正在寻找有关如何解释glm模型的残差图的指南。尤其是泊松，负二项式，二项式模型。当模型“正确”时，我们可以从这些图中得到什么？（例如，在处理泊松模型时，我们预计方差会随着预测值的增加而增加） 我知道答案取决于模型。任何参考（或​​要考虑的一般要点）将有所帮助/赞赏。

33 generalized-linear-model  diagnostic  residuals 

以X ∈ { 0 ，1 } dx∈{0,1}dx \in \{0,1\}^d和ÿ ∈ { 0 ，1 }y∈{0,1}y \in \{0,1\}，并假设我们使用logistic回归预测给出y x的任务模型。Logistic回归系数何时可以用封闭形式书写？ 一个例子是当我们使用饱和模型时。 也就是说，定义P （y | x ）∝ exp （∑ i w i f i（x i））P(y|x)∝exp(∑iwifi(xi))P(y|x) \propto \exp(\sum_i w_i f_i(x_i))，其中iii在{ x 1，… ，x d }的幂集中索引集{x1,…,xd}\{x_1,\ldots,x_d\}，并且f ifif_i返回1如果第iii个集合中的所有变量均为1，否则为0。然后，您可以将此逻辑回归模型中的每个w i表示wiw_i为数据统计量的有理函数的对数。 当存在封闭形式时，还有其他有趣的例子吗？

31 logistic  generalized-linear-model 

我希望有人能够提供关于准二项式分布及其作用的直观概述。我对这些要点特别感兴趣： 准二项式与二项式分布有何不同。 当响应变量是一个比例（示例值包括0.23、0.11、0.78、0.98）时，准二项式模型将在R中运行，而二项式模型则不会。 当TRUE / FALSE响应变量过度分散时，为什么要使用准二项式模型。

30 r  generalized-linear-model  binomial  overdispersion  quasi-likelihood 

我正在使用大型数据集（机密信息，所以我不能分享太多），得出的结论是，负二项式回归是必要的。我以前从未做过glm回归，也找不到关于这些假设的任何明确信息。它们对于MLR是否相同？ 我可以用相同的方式转换变量吗（我已经发现转换因变量是一个错误的调用，因为它必须是自然数）？我已经确定负二项式分布会有助于数据的过度分散（方差约为2000，平均值为48）。 谢谢您的帮助！！

30 regression  generalized-linear-model  data-transformation  assumptions  negative-binomial 

在简单线性回归的情况下，您可以得出最小二乘估计量这样您就不必知道即可估算β 1 = Σ （X 我 - ˉ X）（Ý 我 - ˉ ÿ）y=β0+β1xy=β0+β1xy=\beta_0+\beta_1xβ 0 β 1β^1=∑(xi−x¯)(yi−y¯)∑(xi−x¯)2β^1=∑(xi−x¯)(yi−y¯)∑(xi−x¯)2\hat\beta_1=\frac{\sum(x_i-\bar x)(y_i-\bar y)}{\sum(x_i-\bar x)^2}β^0β^0\hat\beta_0β^1β^1\hat\beta_1 假设我有，我怎么得到而不估计\帽子\ beta_2？还是不可能？β 1 β 2y=β1x1+β2x2y=β1x1+β2x2y=\beta_1x_1+\beta_2x_2β^1β^1\hat\beta_1β^2β^2\hat\beta_2

30 regression  multiple-regression  generalized-linear-model  linear-model 

谁能告诉我如何解释“残差与拟合”，“正常q-q”，“比例位置”和“残差与杠杆”图？我正在拟合二项式GLM，将其保存然后绘制。

30 r  logistic  data-visualization  generalized-linear-model  qq-plot