Doğrusal Modeli R İle Genişletme kitabında , Julian J. Faraway (s. 59) 'de sahte için bir formül buldum .
Bu , GLM'ler için sahte için ortak bir formül mü?
Doğrusal Modeli R İle Genişletme kitabında , Julian J. Faraway (s. 59) 'de sahte için bir formül buldum .
Bu , GLM'ler için sahte için ortak bir formül mü?
Yanıtlar:
GLiM'ler için çok sayıda sahte s vardır. Mükemmel UCLA istatistikleri yardım sitesi burada bunlara kapsamlı bir genel bakış sunuyor . Listede bulunduğunuz kişi McFadden'in takma adı . UCLA'nın tipolojisine göre, takılı modelin boş model üzerindeki gelişimini indekslemesi anlamında gibidir . Eğer doğru geri çağırmak Bazı istatistiksel yazılım, özellikle SPSS, McFadden en yalancı çıktısını Ben oldukça yaygındır şüpheli yüzden, lojistik regresyon gibi bazı analizler sonuçlarıyla varsayılan olarak Cox & Snell ve Nagelkerke yalancı rağmen s daha da fazla olabilir. Ancak, McFadden'ın takma adı tüm özelliklere sahip değil. (sözde - yok). Birisi bir modeli anlamak için bir sahte- kullanmakla ilgileniyorsa, bu mükemmel CV konusunu okumanı şiddetle tavsiye ediyorum: Hangi gerileme- , lojistik regresyon için rapor edilecek ölçüt (Cox & Snell veya Nagelkerke)? (Buna değer olarak, kendisi insanların bildiğinden daha kaygandır, burada @ whuber'ın cevabında büyük bir gösteri görülebilir: yararlı mı yoksa tehlikeli midir? )
R, glm
tam olarak bu tür bir karşılaştırma yapabilmeniz için çıktıda boş ve artık sapma verir (aşağıdaki son iki satıra bakın).
> x = log(1:10)
> y = 1:10
> glm(y ~ x, family = poisson)
>Call: glm(formula = y ~ x, family = poisson)
Coefficients:
(Intercept) x
5.564e-13 1.000e+00
Degrees of Freedom: 9 Total (i.e. Null); 8 Residual
Null Deviance: 16.64
Residual Deviance: 2.887e-15 AIC: 37.97
Ayrıca birlikte nesnenin dışarı bu değerleri çekebilir model$null.deviance
vemodel$deviance
summary.glm
. Bir tanımının ortak olup olmadığına gelince, bir tür anket gerektirir. Daha önce de görmüş olduğum için, özellikle yaygın olmayan bir şey değil, özellikle nadir olmadığını söyleyebilirim.
Önerdiğiniz formül, lojistik modelde R karesini tahmin etmek için Maddala (1983) ve Magee (1990) tarafından önerilmiştir. Bu nedenle, tüm glm modellerine uygulanabilir olduğunu sanmıyorum (bkz. Thomas P. Ryan tarafından Modern Regresyon Yöntemleri, sayfa 266).
Sahte bir veri seti yaparsanız, örneğin Gaussian glm için R karesinin hafife alındığını göreceksiniz.
Sanırım bir gaussian glm için temel (lm) R kare formülü kullanabilirsiniz ...
R2gauss<- function(y,model){
moy<-mean(y)
N<- length(y)
p<-length(model$coefficients)-1
SSres<- sum((y-predict(model))^2)
SStot<-sum((y-moy)^2)
R2<-1-(SSres/SStot)
Rajust<-1-(((1-R2)*(N-1))/(N-p-1))
return(data.frame(R2,Rajust,SSres,SStot))
}
Lojistik (veya r 'deki binom aile) için önerdiğiniz formülü kullanırdım ...
R2logit<- function(y,model){
R2<- 1-(model$deviance/model$null.deviance)
return(R2)
}
Şimdiye kadar poisson glm için bu yazıdaki denklemi kullandım.
Ayrıca, araştırma kapılarında mevcut olan sözde R2 hakkında harika bir makale var ... işte bağlantı:
Umarım bu yardım.
1-summary(GLM)$deviance/summary(GLM)$null.deviance
; R2'nin normal bir OLS regresyonunun R2 değeriyle eşleştiğini göreceksiniz, bu yüzden yukarıdaki cevap doğru! Buradaki postalara da bakabilirsiniz
R paketi, D-Squared'ü David J. Harris'in belirttiği
gibi modEvA
hesaplar.1 - (mod$deviance/mod$null.deviance)
set.seed(1)
data <- data.frame(y=rpois(n=10, lambda=exp(1 + 0.2 * x)), x=runif(n=10, min=0, max=1.5))
mod <- glm(y~x,data,family = poisson)
1- (mod$deviance/mod$null.deviance)
[1] 0.01133757
library(modEvA);modEvA::Dsquared(mod)
[1] 0.01133757
D-Squared ya da açıklanan Model Sapması (Guisan & Zimmermann 2000) https://doi.org/10.1016/S0304-3800(00)00354-9
Colin Cameron, A., & Windmeijer, F. A. (1997). An R-squared measure of goodness of fit for some common nonlinear regression models. Journal of Econometrics, 77(2), 329-342.