<\/p>\n
Die Funktion glm()<\/strong> in R kann zur Anpassung verallgemeinerter linearer Modelle verwendet werden.<\/span><\/p>\n Diese Funktion verwendet die folgende Syntax:<\/span><\/p>\n glm(Formel, Familie=Gau\u00dfsche Funktion, Daten, \u2026)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n In der Praxis wird diese Funktion am h\u00e4ufigsten zur Anpassung logistischer Regressionsmodelle<\/a> durch Angabe der \u201ebinomialen\u201c Familie verwendet.<\/span><\/p>\n Das folgende Beispiel zeigt, wie die glm-Ausgabe in R f\u00fcr ein logistisches Regressionsmodell interpretiert wird.<\/span><\/p>\n F\u00fcr dieses Beispiel verwenden wir den in R integrierten mtcars-<\/a> Datensatz:<\/span><\/p>\n Wir werden die Variablen disp<\/strong> und hp<\/strong> verwenden, um die Wahrscheinlichkeit vorherzusagen, dass ein bestimmtes Auto den Wert 1 f\u00fcr die Variable am<\/strong> annimmt.<\/span><\/p>\n Der folgende Code zeigt, wie die glm()-<\/strong> Funktion verwendet wird, um dieses logistische Regressionsmodell anzupassen:<\/span><\/p>\n So interpretieren Sie jedes Element des Ergebnisses:<\/span><\/p>\n Die Koeffizientensch\u00e4tzung<\/strong> im Ergebnis gibt die durchschnittliche \u00c4nderung der logarithmischen Wahrscheinlichkeit der Antwortvariablen an, die mit einem Anstieg um eine Einheit in jeder Pr\u00e4diktorvariablen verbunden ist.<\/span><\/p>\n Beispielsweise ist ein Anstieg der Pr\u00e4diktorvariablen disp um eine Einheit mit einer durchschnittlichen \u00c4nderung von -0,09518 in der logarithmischen Wahrscheinlichkeit verbunden, dass die Antwortvariable am den Wert 1 annimmt. Dies bedeutet, dass h\u00f6here Werte von disp mit niedrigeren Werten verbunden sind Wahrscheinlichkeit. der Variablen nehme den Wert 1 an.<\/span><\/p>\n Der Standardfehler<\/strong> gibt uns eine Vorstellung von der Variabilit\u00e4t, die mit der Koeffizientensch\u00e4tzung verbunden ist. Anschlie\u00dfend dividieren wir die Koeffizientensch\u00e4tzung durch den Standardfehler, um den az-Wert zu erhalten.<\/span><\/p>\n Beispielsweise wird der Z-Wert<\/strong> f\u00fcr die Pr\u00e4diktorvariable disp als -.09518 \/ .048 = -1.983 berechnet.<\/span><\/p>\n Der p-Wert<\/strong> Pr(>|z|) sagt uns die Wahrscheinlichkeit, die mit einem bestimmten z-Wert verbunden ist. Dies sagt uns im Wesentlichen, wie gut jede Pr\u00e4diktorvariable den Wert der Antwortvariablen im Modell vorhersagen kann.<\/span><\/p>\n Beispielsweise betr\u00e4gt der p-Wert, der dem z-Wert f\u00fcr die Variable disp zugeordnet ist, 0,0474. Da dieser Wert kleiner als 0,05 ist, w\u00fcrden wir sagen, dass disp eine statistisch signifikante Pr\u00e4diktorvariable im Modell ist.<\/span><\/p>\n Abh\u00e4ngig von Ihren Pr\u00e4ferenzen k\u00f6nnen Sie ein Signifikanzniveau von 0,01, 0,05 oder 0,10 verwenden, um zu bestimmen, ob jede Pr\u00e4diktorvariable statistisch signifikant ist oder nicht.<\/span><\/p>\n Die Nullabweichung<\/strong> in der Ausgabe sagt uns, wie gut die Antwortvariable von einem Modell mit nur einem Originalterm vorhergesagt werden kann.<\/span><\/p>\n Die Restabweichung<\/strong> sagt uns, wie gut die Antwortvariable durch das spezifische Modell, das wir mit p<\/em> Pr\u00e4diktorvariablen anpassen, vorhergesagt werden kann. Je niedriger der Wert, desto besser kann das Modell den Wert der Antwortvariablen vorhersagen.<\/span><\/p>\n Um festzustellen, ob ein Modell \u201en\u00fctzlich\u201c ist, k\u00f6nnen wir die Chi-Quadrat-Statistik wie folgt berechnen:<\/span><\/p>\n X 2<\/sup><\/strong> = Nullabweichung \u2013 Restabweichung<\/span><\/p>\n mit p<\/em> Freiheitsgraden.<\/span><\/p>\n Wir k\u00f6nnen dann den p-Wert ermitteln, der dieser Chi-Quadrat-Statistik zugeordnet ist. Je niedriger der p-Wert, desto besser kann das Modell im Vergleich zu einem Modell mit nur einem Originalterm an den Datensatz angepasst werden.<\/span><\/p>\n Beispielsweise k\u00f6nnen wir in unserem Regressionsmodell die folgenden Werte in der Ausgabe f\u00fcr Null und Restabweichung beobachten:<\/span><\/p>\n Mit diesen Werten k\u00f6nnen wir die X2-<\/sup> Statistik des Modells berechnen:<\/span><\/p>\n Es gibt p<\/em> = 2 Freiheitsgrade der Pr\u00e4diktorvariablen.<\/span><\/p>\n Wir k\u00f6nnen den Chi-Quadrat-zu-P-Wert-Rechner<\/a> verwenden, um herauszufinden, dass ein X 2<\/sup> -Wert von 26,517 mit 2 Freiheitsgraden einen p-Wert von 0,000002 hat.<\/span><\/p>\n Da dieser p-Wert viel niedriger als 0,05 ist, w\u00fcrden wir daraus schlie\u00dfen, dass das Modell sehr n\u00fctzlich ist.<\/span><\/p>\n Das Akaike Information Criterion ( AIC<\/strong> ) ist ein Ma\u00df zum Vergleich der Passung verschiedener Regressionsmodelle. Je niedriger der Wert, desto besser kann das Regressionsmodell die Daten anpassen.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/p>\n Gold:<\/span><\/p>\n Der tats\u00e4chliche Wert von AIC ist bedeutungslos.<\/span><\/p>\n Wenn Sie jedoch mehrere Regressionsmodelle anpassen, k\u00f6nnen Sie den AIC-Wert jedes Modells vergleichen. Das Modell mit dem niedrigsten AIC bietet die beste Passform.<\/span><\/p>\n Verwandt:<\/strong><\/span> Was gilt als guter AIC-Wert?<\/a><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zur Verwendung der glm()<\/strong> -Funktion in R:<\/span><\/p>\n Der Unterschied zwischen glm und lm in R<\/a> Die folgenden Tutorials erkl\u00e4ren, wie Sie mit h\u00e4ufigen Fehlern bei der Verwendung der glm()<\/strong> -Funktion umgehen:<\/span><\/p>\n Umgang mit R Warnung: glm.fit: Algorithmus konnte nicht konvergieren<\/a> Die Funktion glm() in R kann zur Anpassung verallgemeinerter linearer Modelle verwendet werden. Diese Funktion verwendet die folgende Syntax: glm(Formel, Familie=Gau\u00dfsche Funktion, Daten, \u2026) Gold: Formel: Die lineare Modellformel (z. B. y ~ x1 + x2) Familie: Die statistische Familie, die zur Anpassung des Modells verwendet werden soll. Der Standardwert ist Gau\u00df, aber andere Optionen […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Beispiel: So interpretieren Sie die glm-Ausgabe in R<\/strong><\/span><\/h2>\n
#view first six rows of mtcars<\/em> dataset\n<\/span>head(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n #fit logistic regression model\n<\/span>model <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n Koeffizienten und P-Werte<\/strong><\/span><\/h3>\n
Null- und Restabweichung<\/strong><\/span><\/h3>\n
\n
\n
AIC<\/strong><\/span><\/h3>\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So verwenden Sie die Vorhersagefunktion mit glm in R<\/a><\/p>\n
Vorgehensweise: glm.fit: Numerisch angepasste Wahrscheinlichkeiten 0 oder 1 sind aufgetreten<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"