İşte bu soruya ilişkin bağlamım: Anlayabildiğim kadarıyla, ağırlıklı veri ve surveypaketi kullanırken R'de sıradan bir en küçük kareler regresyonunu çalıştıramayız . Burada kullanmak zorundayız svyglm(), bunun yerine genelleştirilmiş doğrusal bir model çalıştırıyor olmalıyız (aynı şey olabilir mi? Burada neyin farklı olduğu konusunda bulanıkım).

OLS ve lm()fonksiyon aracılığıyla, yorumunu anladığım bir R kare değerini hesaplar. Bununla birlikte, svyglm()bunu hesaplamak gibi görünmüyor ve bunun yerine bana internetteki kısa yolculuğumun bir R karesinden farklı olarak yorumlanan bir uyum iyiliği ölçüsü olduğunu söyleyen bir Sapma veriyor.

Bu yüzden, aslında bir yön bulmayı umduğum iki sorum var:

1. Neden Stata'daki surveyağırlıklı verilerle yapmak mümkün olsa da , pakette OLS'yi çalışamıyoruz?
2. Genelleştirilmiş doğrusal bir modelin sapması ile r-kare değeri arasındaki yorumdaki fark nedir?

Söyleyebileceğim kadarıyla, ağırlıklı veri ve surveypaketi kullanırken R'de normal bir en küçük kareler regresyonunu çalıştıramayız . Burada kullanmak zorundayız svyglm(), bunun yerine genelleştirilmiş doğrusal bir model çalıştırıyor olmalıyız (aynı şey olabilir mi? Burada neyin farklı olduğu konusunda bulanıkım).

svyglmanket vinyetinden family = gaussian()varsayılan gibi görünen doğrusal bir model verecektir (3.32-1 sürümünde). Buldukları örneğe bakın .regmodel

Görünüşe göre paket sadece aradığında doğru ağırlıkları kullandığınızdan emin oluyor glm. Dolayısıyla, sonucunuz sürekli ise ve bunun normal olarak dağıtıldığını varsayarsanız, kullanmalısınız family = gaussian(). Sonuç ağırlıklı bir doğrusal modeldir. Bu cevap

Neden Stata'daki surveyağırlıklı verilerle yapmak mümkün olsa da , pakette OLS'yi çalışamıyoruz?

bunu surveypaketle gerçekten yapabileceğinizi belirterek . Aşağıdaki soruya gelince

Genelleştirilmiş doğrusal bir modelin sapması ile r-kare değeri arasındaki yorumdaki fark nedir?

$R^2$family = gaussian()

> set.seed(42293888)
> x <- (-4):5
> y <- 2 + x + rnorm(length(x))
> org <- data.frame(x = x, y = y, weights = 1:10)
> 
> # show data and fit model. Notice the R-squared
> head(org) 
   x          y weights
1 -4  0.4963671       1
2 -3 -0.5675720       2
3 -2 -0.3615302       3
4 -1  0.7091697       4
5  0  0.6485203       5
6  1  3.8495979       6
> summary(lm(y ~ x, org, weights = weights))

Call:
lm(formula = y ~ x, data = org, weights = weights)

Weighted Residuals:
    Min      1Q  Median      3Q     Max 
-3.1693 -0.4463  0.2017  0.9100  2.9667 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)   1.7368     0.3514   4.942  0.00113 ** 
x             0.9016     0.1111   8.113 3.95e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2.019 on 8 degrees of freedom
Multiple R-squared:  0.8916,    Adjusted R-squared:  0.8781 
F-statistic: 65.83 on 1 and 8 DF,  p-value: 3.946e-05

> 
> # make redundant data set with redundant rows
> idx <- unlist(mapply(rep, x = 1:nrow(org), times = org$weights))
> org_redundant <- org[idx, ]
> head(org_redundant)
     x          y weights
1   -4  0.4963671       1
2   -3 -0.5675720       2
2.1 -3 -0.5675720       2
3   -2 -0.3615302       3
3.1 -2 -0.3615302       3
3.2 -2 -0.3615302       3
> 
> # fit model and notice the same R-squared
> summary(lm(y ~ x, org_redundant))

Call:
lm(formula = y ~ x, data = org_redundant)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.19789 -0.29506 -0.05435  0.33131  2.36610 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  1.73680    0.13653   12.72   <2e-16 ***
x            0.90163    0.04318   20.88   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.7843 on 53 degrees of freedom
Multiple R-squared:  0.8916,    Adjusted R-squared:  0.8896 
F-statistic: 436.1 on 1 and 53 DF,  p-value: < 2.2e-16

> 
> # glm gives you the same with family = gaussian()  
> # just compute the R^2 from the deviances. See 
> #   /stats//a/46358/81865
> fit <- glm(y ~ x, family = gaussian(), org_redundant)
> fit$coefficients
(Intercept)           x 
  1.7368017   0.9016347 
> 1 - fit$deviance / fit$null.deviance
[1] 0.8916387

Sapma, kullandığınız zaman sadece kare hatalarının toplamıdır family = gaussian().

Uyarılar

Sorunuzdan doğrusal bir model istediğinizi varsayıyorum. Ayrıca, surveypaketi hiç kullanmadım, ancak hızlı bir şekilde taradım ve cevabımda belirttiğim şey hakkında varsayımlar yaptım.