Modèle linéaire généralisé code r

L`année dernière, j`ai écrit plusieurs articles (GLM dans r 1, GLM dans R 2, GLM dans R 3) qui a fourni une introduction aux modèles linéaires généralisés (GLMs) dans R. valeurs de départ pour les paramètres dans le prédicteur linéaire. Un prédicteur typique a la réponse de formulaire ~ termes où la réponse est le vecteur de réponse (numérique) et les termes est une série de termes qui spécifie un prédicteur linéaire pour la réponse. Pour les familles binomiales et quasi-binomiales, la réponse peut également être spécifiée comme un facteur (lorsque le premier niveau dénote l`échec et tous les autres succès) ou comme une matrice à deux colonnes avec les poteaux donnant le nombre de réussites et d`échecs. Une spécification de termes de la forme première + seconde indique tous les termes en premier ensemble avec tous les termes en second avec les doublons supprimés. Alors que les modèles linéaires généralisés sont généralement analysés à l`aide de la fonction GLM (), l`analyis de survie est généralement effectué à l`aide des fonctions du paquet de survie. Le paquet de survie peut traiter un et deux problèmes d`échantillon, des modèles d`échec paramétriques accélérés et le modèle de risques proportionnels de Cox. Cela peut être utilisé pour spécifier un composant a priori connu à inclure dans le prédicteur linéaire pendant le raccord. Il doit s`agir de NULL ou d`un vecteur numérique de longueur égal au nombre de cas. Un ou plusieurs termes de décalage peuvent être inclus dans la formule à la place ou aussi bien, et si plus d`un est spécifié leur somme est utilisée.

Voir Model. offset. Cependant, dans cette version du modèle, les estimations sont non significatives, et nous avons une interaction non significative. Model1 produit la relation suivante entre le logit (cotes logarithmique) et les deux prédicteurs: LM pour les modèles linéaires non généralisés (que SAS appelle les GLMs, pour les modèles linéaires «généraux»). Dobson, A. J. (1990) Introduction aux modèles linéaires généralisés. Londres: Chapman et Hall. Les objets de la classe “GLM” sont normalement de classe c (“GLM”, “LM”), qui hérite de la classe “LM”, et des méthodes bien conçues pour la classe “LM” seront appliquées au modèle linéaire pondéré à l`itération finale de IWLS. Cependant, les soins sont nécessaires, car les fonctions d`extracteur pour la classe «GLM» telles que les résidus et les poids ne sont pas seulement choisir le composant de l`ajustement avec le même nom. Comme le souligne Karen dans son article: «les hypothèses des modèles linéaires sont au sujet des valeurs résiduelles, et non de la variable de réponse», la régression linéaire ne fait pas d`hypothèses sur la distribution de la variable dépendante – seule la distribution du résidu. Pour rappel, les modèles linéaires généralisés sont une extension des modèles de régression linéaire qui permettent à la variable dépendante d`être non-normale.

Les modèles linéaires généralisés sont adaptés à l`aide de la fonction GLM (). La forme de la fonction GLM est à l`intérieur des parenthèses, nous donnons R des informations importantes sur le modèle. À gauche de la ~ est la variable dépendante: succès. Il doit être codé 0 & 1 pour GLM pour le lire comme binaire. LOGLIN et loglm (masse du paquet) pour le montage des modèles log-linéaires (qui sont binomiaux et les GLMs de poisson) aux tables de contingence. les valeurs moyennes ajustées obtenues en transformant les prédicteurs linéaires par l`inverse de la fonction de liaison. En outre, les ajustements non vides auront des composants QR, R et des effets relatifs à la coupe linéaire pondérée finale. GLM est utilisé pour s`adapter à des modèles linéaires généralisés, spécifiés en donnant une description symbolique du prédicteur linéaire et une description de la distribution d`erreur. Dans votre introduction ci-dessus, vous indiquer «en guise de rappel, les modèles linéaires généralisés sont une extension des modèles de régression linéaire qui permettent à la variable dépendante d`être non normale».