태그 보관물: generalized-linear-model

generalized-linear-model

우도 비 검정과 Wald 검정은 R에서 glm에 대해 다른 결론을 제공합니다. 5, 5, 5) Data <- data.frame(Dilution, NoofPlates,

일반화, 선형 및 혼합 모델 에서 예제를 재현하고 있습니다. 내 MWE는 다음과 같습니다.

Dilution <- c(1/128, 1/64, 1/32, 1/16, 1/8, 1/4, 1/2, 1, 2, 4)
NoofPlates <- rep(x=5, times=10)
NoPositive <- c(0, 0, 2, 2, 3, 4, 5, 5, 5, 5)
Data <- data.frame(Dilution,  NoofPlates, NoPositive)

fm1 <- glm(formula=NoPositive/NoofPlates~log(Dilution), family=binomial("logit"), data=Data)
summary(object=fm1)

산출

Call:
glm(formula = NoPositive/NoofPlates ~ log(Dilution), family = binomial("logit"), 
    data = Data)

Deviance Residuals: 
     Min        1Q    Median        3Q       Max  
-0.38326  -0.20019   0.00871   0.15607   0.48505  

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)      4.174      2.800   1.491    0.136
log(Dilution)    1.623      1.022   1.587    0.112

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 8.24241  on 9  degrees of freedom
Residual deviance: 0.64658  on 8  degrees of freedom
AIC: 6.8563

Number of Fisher Scoring iterations: 6

암호

anova(object=fm1, test="Chisq")

산출

Analysis of Deviance Table

Model: binomial, link: logit

Response: NoPositive/NoofPlates

Terms added sequentially (first to last)


              Df Deviance Resid. Df Resid. Dev Pr(>Chi)   
NULL                              9     8.2424            
log(Dilution)  1   7.5958         8     0.6466  0.00585 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

암호

library(aod)
wald.test(b=coef(object=fm1), Sigma=vcov(object=fm1), Terms=2)

산출

Wald test:
----------

Chi-squared test:
X2 = 2.5, df = 1, P(> X2) = 0.11

추정 된 계수는이 책에 제공된 결과와 완벽하게 일치하지만 SE는 멀리 떨어져 있습니다. LRT 테스트를 기반으로 기울기는 중요하지만 Wald 및 Z- 테스트 기울기 계수를 기준으로 중요하지 않습니다. 내가 기본적인 것을 놓칠 지 궁금합니다. 도움을 주셔서 감사합니다.

답변

주요 문제는 비율을 응답 변수로 사용하려면 weights인수 를 사용해야한다는 것 입니다. “이항식 glm의 정수가 아닌 # 성공”에 대한 경고를 무시해야합니다.

Dilution <- c(1/128, 1/64, 1/32, 1/16, 1/8, 1/4, 1/2, 1, 2, 4)
NoofPlates <- rep(x=5, times=10)
NoPositive <- c(0, 0, 2, 2, 3, 4, 5, 5, 5, 5)
Data <- data.frame(Dilution,  NoofPlates, NoPositive)


fm1 <- glm(formula=NoPositive/NoofPlates~log(Dilution),
     family=binomial("logit"), data=Data, weights=NoofPlates)

coef(summary(fm1))
##               Estimate Std. Error  z value     Pr(>|z|)
## (Intercept)   4.173698  1.2522190 3.333042 0.0008590205
## log(Dilution) 1.622552  0.4571016 3.549653 0.0003857398

anova(fm1,test="Chisq")
##               Df Deviance Resid. Df Resid. Dev  Pr(>Chi)    
## NULL                              9     41.212              
## log(Dilution)  1   37.979         8      3.233 7.151e-10 ***

피

4×10−4

7×10−10

aod::wald.test()summary()

Wald 대 프로파일 신뢰 구간도 약간 다르지만 (0.7,2.5) (Wald) 및 (0.9, 2.75) (LRT)의 CI [아래에 표시]가 실제로 다른지 여부는 특정 상황에 따라 다릅니다.

왈드 :

confint.default(fm1)
##                   2.5 %   97.5 %
## (Intercept)   1.7193940 6.628002
## log(Dilution) 0.7266493 2.518455

프로필:

confint(fm1)
##                   2.5 %   97.5 %
## (Intercept)   2.2009398 7.267565
## log(Dilution) 0.9014053 2.757092

답변