yiyi1−2log(1/1)=00
y = c(1,1,1,0,0,0)
a <- factor(1:length(y))
fit <- glm(y~a,family=binomial)
summary(fit)
Deviance Residuals:
0 0 0 0 0 0
Null deviance: 8.3178e+00 on 5 degrees of freedom
Residual deviance: 2.5720e-10 on 0 degrees of freedom
nn(n−1)
> k2
[1] 1 2 3 4 5 6 1 2 3 4 5 6
Levels: 1 2 3 4 5 6
> y2
[1] 1 1 1 0 0 0 1 1 1 0 0 0
> fit3 = glm(y2 ~ k2, family = binomial)
> summary(fit3)
Null deviance: 1.6636e+01 on 11 degrees of freedom
Residual deviance: 5.1440e-10 on 6 degrees of freedom
Aslında, R'de doymuş modelin ne olduğu, veriler tamamen aynı olsa bile giriş biçimine bağlı olduğu ortaya çıkıyor, ki bu çok hoş değil. Özellikle, yukarıdaki örnekte 12 gözlem ve 6 faktör seviyesi vardır, bu nedenle doymuş modelin 12 değil, 6 parametreye sahip olması gerekir. Genel olarak, doymuş bir model, parametre sayısının değerine eşit olduğu bir model olarak tanımlanır. farklı ortak değişkenler. R kodu neden bu faktör k2 6 farklı düzeyleri vardır "kabul" hiçbir fikrim yok ve yine de doymuş model 12 parametre ile donatılmış.
Şimdi, aynı verileri "binom" biçiminde kullanırsak, doğru bir cevap alırız:
y_yes = 2 * c(1,1,1,0,0,0)
y_no = 2 * c(0,0,0,1,1,1)
x = factor(c(1:6))
> x
[1] 1 2 3 4 5 6
Levels: 1 2 3 4 5 6
> y_yes
[1] 2 2 2 0 0 0
> y_no
[1] 0 0 0 2 2 2
modelBinomialForm = glm(cbind(y_yes, y_no) ~ x, family=binomial)
Deviance Residuals:
[1] 0 0 0 0 0 0
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.490e+01 1.096e+05 0 1
x2 1.375e-08 1.550e+05 0 1
x3 1.355e-08 1.550e+05 0 1
x4 -4.980e+01 1.550e+05 0 1
x5 -4.980e+01 1.550e+05 0 1
x6 -4.980e+01 1.550e+05 0 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 1.6636e+01 on 5 degrees of freedom
Residual deviance: 3.6749e-10 on 0 degrees of freedom
Şimdi doymuş modelin 6 parametreye sahip olduğunu ve uygun modele denk geldiğini görüyoruz. Bu nedenle, boş sapma (6 - 1) = 5 df ve artık sapma (6-6) = 0 df'dir.