abstract.glm () içindeki dağılım

Tarafından bir glm.nb yürüttüm

glm1<-glm.nb(x~factor(group))

grup bir kategorik ve x bir metrik değişken. Sonuçların özetini almaya çalıştığımda, summary()veya kullanmama bağlı olarak biraz farklı sonuçlar alıyorum summary.glm. summary(glm1)bana verir

    ...
Coefficients:
                    Estimate Std. Error z value Pr(>|z|)  
    (Intercept)       0.1044     0.1519   0.687   0.4921  
    factor(gruppe)2   0.1580     0.2117   0.746   0.4555  
    factor(gruppe)3   0.3531     0.2085   1.693   0.0904 .
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

    (Dispersion parameter for Negative Binomial(0.7109) family taken to be 1)

Buna karşılık özet.glm (glm1) bana

    ...
Coefficients:
                    Estimate Std. Error t value Pr(>|t|)  
    (Intercept)       0.1044     0.1481   0.705   0.4817  
    factor(gruppe)2   0.1580     0.2065   0.765   0.4447  
    factor(gruppe)3   0.3531     0.2033   1.737   0.0835 .
    ---
    Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

    (Dispersion parameter for Negative Binomial(0.7109) family taken to be 0.9509067)

Dispersiyon parametresinin anlamını anlıyorum, ama çizginin değil

(Dispersion parameter for Negative Binomial(0.7109) family taken to be 0.9509067).

El kitabında, tahmini dağılım olacağını söylüyor, ancak 0.95 0.7109'a yakın olmadığından kötü bir tahmin gibi görünüyor veya tahmini dağılım, tahmini dağılım parametresinden farklı bir şey mi? Sanırım, dispersiyonu bir summary.nb(x, dispersion=)şeye ayarlamalıyım, ama emin değilim, eğer dispersiyonu 1'e ayarlamam gerekirse (bu summary()da dağılım parametresinin bir tahminini girmem gerekirse veya aynı sonucu verirse, Bu durumda yol açan summary.nb(glm1, dispersion=0.7109)başka falan? ya da sadece kullanarak iyiyim summary(glm1)?

summary.glm"negbin"summary.glmdispersionsummary.glm glm$\phi$$\phi$familyglm.nb"Negative Binomial(theta)"summary.glmtakılan modelde glm.nb, kod içinde

if (is.null(dispersion)) 
    dispersion <- if (object$family$family %in% c("poisson", 
        "binomial")) 
        1
    else if (df.r > 0) {
        est.disp <- TRUE
        if (any(object$weights == 0)) 
                warning("observations with zero weight not used for calculating dispersion")
            sum((object$weights * object$residuals^2)[object$weights > 
            0])/df.r
    }

"poisson""binomial"$\phi$summary.negbin

$\phi$dispersion

İkincisi, çıktıyı yanlış anlıyorsunuz. Gördüğünde

Negative Binomial(0.7109)

$\hat{\theta}$$\phi$

$\phi$$\phi = 1$summary.negbin

summary(glm1, dispersion = 0.9509)

negbin$\phi$

$\theta$$\frac{1}{\theta}$$1$$\frac{1}{\theta}$$E$$Y$$E$$\mu E$$\mu$

beklenti

& varyans

@Momo'nun işaret ettiği gibi, dağılım parametresi tamamen başka bir şeydir, bu da yarı olabilirlik tahmini yapmanıza izin verir. Negatif binom modeli ve (gerçek) Poisson modeli için, haklı olarak bir değerine sabitlenmiştir.