Lojistik regresyon modeli yakınsak değil

Havayolu uçuşlarıyla ilgili bazı verilerim var (adı verilen bir veri çerçevesinde flights) ve uçuş süresinin önemli ölçüde gecikmeli varış olasılığı (10 veya daha fazla dakika) üzerinde bir etkisi olup olmadığını görmek istiyorum. Uçuş regülatörü olarak uçuş süresi ve her uçuşun yanıt olarak önemli ölçüde geciktirilip geciktirilmeyeceği (bir demet Bernoullis) yanıtı olarak lojistik regresyon kullanacağımı düşündüm. Aşağıdaki kodu kullandım ...

flights$BigDelay <- flights$ArrDelay >= 10
delay.model <- glm(BigDelay ~ ArrDelay, data=flights, family=binomial(link="logit"))
summary(delay.model)

... ama aşağıdaki çıktıyı aldım.

> flights$BigDelay <- flights$ArrDelay >= 10
> delay.model <- glm(BigDelay ~ ArrDelay, data=flights, family=binomial(link="logit"))
Warning messages:
1: In glm.fit(x = X, y = Y, weights = weights, start = start, etastart = etastart,  :
  algorithm did not converge
2: In glm.fit(x = X, y = Y, weights = weights, start = start, etastart = etastart,  :
  fitted probabilities numerically 0 or 1 occurred
> summary(delay.model)

Call:
glm(formula = BigDelay ~ ArrDelay, family = binomial(link = "logit"),
    data = flights)

Deviance Residuals:
       Min          1Q      Median          3Q         Max
-3.843e-04  -2.107e-08  -2.107e-08   2.107e-08   3.814e-04

Coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)  -312.14     170.26  -1.833   0.0668 .
ArrDelay       32.86      17.92   1.833   0.0668 .
---
Signif. codes:  0 â***â 0.001 â**â 0.01 â*â 0.05 â.â 0.1 â â 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2.8375e+06  on 2291292  degrees of freedom
Residual deviance: 9.1675e-03  on 2291291  degrees of freedom
AIC: 4.0092

Number of Fisher Scoring iterations: 25

Algoritmanın birleşmediği ne anlama geliyor? Çünkü olması düşünülen BigDelaydeğerleri TRUEve FALSEyerine 0ve 1, ama her şeyi dönüştürülür sonra aynı hata var. Herhangi bir fikir?

glm()yinelemeli yeniden ağırlıklı en küçük kareler algoritması kullanır. Algoritma, yakınsama sinyalini vermeden önce izin verilen azami yineleme sayısını vurdu. Varsayılan olarak belgelenen ?glm.control25'tir. Kontrol parametrelerini glmçağrıda liste halinde iletirsiniz :

delay.model <- glm(BigDelay ~ ArrDelay, data=flights, family=binomial,
                   control = list(maxit = 50))

@Conjugate Prior’in dediği gibi, onu oluşturmak için kullanılan verilerle yanıtı tahmin ediyor gibi görünüyorsunuz. Herhangi gibi tamamen ayrılmasını var ArrDelay < 10tahmin edecek FALSEve herhangi ArrDelay >= 10tahmin edecektir TRUE. Diğer uyarı mesajı, bazı gözlemler için uygun olasılıkların etkin bir şekilde 0 veya 1 olduğunu ve bu modelde bir sorun olduğunu gösteren iyi bir gösterge olduğunu söyler.

$\hat{\beta}_i$

Firth’ın önyargı azaltmasının veri kümenizle çalışıp çalışmadığını kontrol etmeye çalışabilirsiniz. Standart glmpaketi kullanarak farklılıklar üreten veri kümeleri için yararlı olabilecek cezalandırılmış olabilirlik yaklaşımıdır . Bazen tam / neredeyse tamamen ayrılma üreten değişkeni ortadan kaldırmak yerine kullanılabilir.

$O(n^{-1})$

Firth’ın önyargısı azaltma, R-pakette uygulanmaktadır logistf: http://cran.r-project.org/web/packages/logistf/logistf.pdf