<\/p>\n
La funzione glm()<\/strong> in R pu\u00f2 essere utilizzata per adattare modelli lineari generalizzati.<\/span><\/p>\n Questa funzione utilizza la seguente sintassi:<\/span><\/p>\n glm(formula, famiglia=gaussiana, dati, \u2026)<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n In pratica, questa funzione viene spesso utilizzata per adattare modelli di regressione logistica<\/a> specificando la famiglia \u201cbinomiale\u201d.<\/span><\/p>\n L’esempio seguente mostra come interpretare l’output glm in R per un modello di regressione logistica.<\/span><\/p>\n Per questo esempio, utilizzeremo il set di dati mtcars<\/a> integrato in R:<\/span><\/p>\n Utilizzeremo le variabili disp<\/strong> e hp<\/strong> per prevedere la probabilit\u00e0 che una determinata automobile assuma il valore 1 per la variabile am<\/strong> .<\/span><\/p>\n Il codice seguente mostra come utilizzare la funzione glm()<\/strong> per adattare questo modello di regressione logistica:<\/span><\/p>\n Ecco come interpretare ciascun elemento del risultato:<\/span><\/p>\n La stima del coefficiente<\/strong> nel risultato indica la variazione media nella probabilit\u00e0 logaritmica della variabile di risposta associata a un aumento di un’unit\u00e0 in ciascuna variabile predittrice.<\/span><\/p>\n Ad esempio, un aumento di una unit\u00e0 della variabile predittrice disp \u00e8 associato a una variazione media di -0,09518 nella probabilit\u00e0 logaritmica che la variabile di risposta am assuma il valore 1. Ci\u00f2 significa che valori pi\u00f9 alti di disp sono associati a un valore pi\u00f9 basso probabilit\u00e0. della variabile sto assumendo il valore 1.<\/span><\/p>\n L’ errore standard<\/strong> ci d\u00e0 un’idea della variabilit\u00e0 associata alla stima del coefficiente. Dividiamo quindi la stima del coefficiente per l’errore standard per ottenere il valore az.<\/span><\/p>\n Ad esempio, il valore z<\/strong> per la variabile predittore disp viene calcolato come -.09518 \/ .048 = -1.983.<\/span><\/p>\n Il valore p<\/strong> Pr(>|z|) ci dice la probabilit\u00e0 associata a un particolare valore z. Questo essenzialmente ci dice quanto bene ciascuna variabile predittrice \u00e8 in grado di prevedere il valore della variabile di risposta nel modello.<\/span><\/p>\n Ad esempio, il valore p associato al valore z per la variabile disp \u00e8 0,0474. Poich\u00e9 questo valore \u00e8 inferiore a 0,05, diremmo che disp \u00e8 una variabile predittiva statisticamente significativa nel modello.<\/span><\/p>\n A seconda delle tue preferenze, puoi decidere di utilizzare un livello di significativit\u00e0 di 0,01, 0,05 o 0,10 per determinare se ciascuna variabile predittrice \u00e8 statisticamente significativa o meno.<\/span><\/p>\n La devianza zero<\/strong> nell’output ci dice quanto bene la variabile di risposta pu\u00f2 essere prevista da un modello con solo un termine originale.<\/span><\/p>\n La devianza residua<\/strong> ci dice quanto bene la variabile di risposta pu\u00f2 essere prevista dal modello specifico a cui stiamo adattando le variabili predittive p<\/em> . Pi\u00f9 basso \u00e8 il valore, migliore \u00e8 la capacit\u00e0 del modello di prevedere il valore della variabile di risposta.<\/span><\/p>\n Per determinare se un modello \u00e8 \u201cutile\u201d, possiamo calcolare la statistica Chi-quadrato come segue:<\/span><\/p>\n X 2<\/sup><\/strong> = Devianza zero \u2013 Devianza residua<\/span><\/p>\n con p<\/em> gradi di libert\u00e0.<\/span><\/p>\n Possiamo quindi trovare il valore p associato a questa statistica Chi-quadrato. Pi\u00f9 basso \u00e8 il valore p, migliore \u00e8 la capacit\u00e0 del modello di adattarsi al set di dati rispetto a un modello contenente solo un termine originale.<\/span><\/p>\n Ad esempio, nel nostro modello di regressione, possiamo osservare nell’output i seguenti valori per zero e deviazione residua:<\/span><\/p>\n Possiamo utilizzare questi valori per calcolare la statistica X 2<\/sup> del modello:<\/span><\/p>\n Ci sono p<\/em> = 2 gradi di libert\u00e0 delle variabili predittive.<\/span><\/p>\n Possiamo utilizzare il calcolatore Chi quadrato\/valore P<\/a> per scoprire che un valore X 2<\/sup> di 26,517 con 2 gradi di libert\u00e0 ha un valore p di 0,000002.<\/span><\/p>\n Poich\u00e9 questo valore p \u00e8 molto inferiore a 0,05, possiamo concludere che il modello \u00e8 molto utile.<\/span><\/p>\n L’Akaike Information Criterion ( AIC<\/strong> ) \u00e8 una misura utilizzata per confrontare l’adattamento di diversi modelli di regressione. Pi\u00f9 basso \u00e8 il valore, migliore \u00e8 la capacit\u00e0 del modello di regressione di adattare i dati.<\/span><\/p>\n Viene calcolato come segue:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/p>\n Oro:<\/span><\/p>\n Il valore effettivo dell’AIC non ha senso.<\/span><\/p>\n Tuttavia, se si adattano pi\u00f9 modelli di regressione, \u00e8 possibile confrontare il valore AIC di ciascun modello. Il modello con l’AIC pi\u00f9 basso fornisce la soluzione migliore.<\/span><\/p>\n Correlati:<\/strong><\/span> cosa \u00e8 considerato un buon valore AIC?<\/a><\/p>\n I seguenti tutorial forniscono informazioni aggiuntive su come utilizzare la funzione glm()<\/strong> in R:<\/span><\/p>\n La differenza tra glm e lm in R<\/a> I seguenti tutorial spiegano come gestire gli errori comuni quando si utilizza la funzione glm()<\/strong> :<\/span><\/p>\n Come gestire R Avviso: glm.fit: l’algoritmo non converge<\/a> La funzione glm() in R pu\u00f2 essere utilizzata per adattare modelli lineari generalizzati. Questa funzione utilizza la seguente sintassi: glm(formula, famiglia=gaussiana, dati, \u2026) Oro: formula: la formula del modello lineare (ad esempio y ~ x1 + x2) famiglia: la famiglia statistica da utilizzare per adattare il modello. L’impostazione predefinita \u00e8 gaussiana, ma altre opzioni includono […]<\/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
Esempio: come interpretare l’output glm 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 Coefficienti e valori P<\/strong><\/span><\/h3>\n
Devianza zero e residua<\/strong><\/span><\/h3>\n
\n
\n
AIC<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come utilizzare la funzione di previsione con glm in R<\/a><\/p>\n
Come gestire: glm.fit: si sono verificate probabilit\u00e0 corrette numericamente 0 o 1<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"