Glance 接受模型对象并返回 tibble::tibble()，其中仅包含一行模型摘要。摘要通常是拟合优度度量、残差假设检验的 p 值或模型收敛信息。
Glance 永远不会返返回自对建模函数的原始调用的信息。这包括建模函数的名称或传递给建模函数的任何参数。
Glance 不计算汇总度量。相反，它将这些计算外包给适当的方法并将结果收集在一起。有时拟合优度测量是不确定的。在这些情况下，该度量将报告为 NA 。
无论模型矩阵是否秩亏，Glance 都会返回相同的列数。如果是这样，则不再具有明确定义值的列中的条目将使用适当类型的 NA 进行填充。
用法
# S3 method for mfx
glance(x, ...)
# S3 method for logitmfx
glance(x, ...)
# S3 method for negbinmfx
glance(x, ...)
# S3 method for poissonmfx
glance(x, ...)
# S3 method for probitmfx
glance(x, ...)参数
- x
-
logitmfx、negbinmfx、poissonmfx或probitmfx对象。 (请注意，betamfx对象接收自己的一组整理器。) - ...
-
附加参数。不曾用过。仅需要匹配通用签名。注意：拼写错误的参数将被吸收到
...中，并被忽略。如果拼写错误的参数有默认值，则将使用默认值。例如，如果您传递conf.lvel = 0.9，所有计算将使用conf.level = 0.95进行。这里有两个异常：
细节
此通用概览方法包装 glance.glm()，以获取 mfx 包中的适用对象。
也可以看看
glance.glm() , mfx::logitmfx() , mfx::negbinmfx() , mfx::poissonmfx() , mfx::probitmfx()
其他 mfx 整理器：augment.betamfx()、augment.mfx()、glance.betamfx()、tidy.betamfx()、tidy.mfx()
值
恰好只有一行和一列的 tibble::tibble()：
- AIC
-
模型的 Akaike 信息准则。
- BIC
-
模型的贝叶斯信息准则。
- deviance
-
模型的偏差。
- df.null
-
零模型使用的自由度。
- df.residual
-
剩余自由度。
- logLik
-
模型的对数似然。 [stats::logLik()] 可能是一个有用的参考。
- nobs
-
使用的观察数。
- null.deviance
-
零模型的偏差。
例子
# load libraries for models and data
library(mfx)
# get the marginal effects from a logit regression
mod_logmfx <- logitmfx(am ~ cyl + hp + wt, atmean = TRUE, data = mtcars)
tidy(mod_logmfx, conf.int = TRUE)
#> # A tibble: 3 × 8
#> term atmean estimate std.error statistic p.value conf.low conf.high
#> <chr> <lgl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 cyl TRUE 0.0538 0.113 0.475 0.635 -0.178 0.286
#> 2 hp TRUE 0.00359 0.00290 1.24 0.216 -0.00236 0.00954
#> 3 wt TRUE -1.01 0.668 -1.51 0.131 -2.38 0.359
# compare with the naive model coefficients of the same logit call
tidy(
glm(am ~ cyl + hp + wt, family = binomial, data = mtcars),
conf.int = TRUE
)
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
#> # A tibble: 4 × 7
#> term estimate std.error statistic p.value conf.low conf.high
#> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 (Intercept) 19.7 8.12 2.43 0.0152 8.56 44.3
#> 2 cyl 0.488 1.07 0.455 0.649 -1.53 3.12
#> 3 hp 0.0326 0.0189 1.73 0.0840 0.00332 0.0884
#> 4 wt -9.15 4.15 -2.20 0.0276 -21.4 -3.48
augment(mod_logmfx)
#> # A tibble: 32 × 11
#> .rownames am cyl hp wt .fitted .resid .hat .sigma .cooksd
#> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Mazda RX4 1 6 110 2.62 2.24 0.449 0.278 0.595 1.42e-2
#> 2 Mazda RX… 1 6 110 2.88 -0.0912 1.22 0.352 0.529 2.30e-1
#> 3 Datsun 7… 1 4 93 2.32 3.46 0.249 0.0960 0.602 9.26e-4
#> 4 Hornet 4… 0 6 110 3.22 -3.20 -0.282 0.0945 0.601 1.17e-3
#> 5 Hornet S… 0 8 175 3.44 -2.17 -0.466 0.220 0.595 1.03e-2
#> 6 Valiant 0 6 105 3.46 -5.61 -0.0856 0.0221 0.604 2.12e-5
#> 7 Duster 3… 0 8 245 3.57 -1.07 -0.766 0.337 0.576 6.55e-2
#> 8 Merc 240D 0 4 62 3.19 -5.51 -0.0897 0.0376 0.603 4.10e-5
#> 9 Merc 230 0 4 95 3.15 -4.07 -0.184 0.122 0.603 6.76e-4
#> 10 Merc 280 0 6 123 3.44 -4.84 -0.126 0.0375 0.603 8.02e-5
#> # ℹ 22 more rows
#> # ℹ 1 more variable: .std.resid <dbl>
glance(mod_logmfx)
#> # A tibble: 1 × 8
#> null.deviance df.null logLik AIC BIC deviance df.residual nobs
#> <dbl> <int> <dbl> <dbl> <dbl> <dbl> <int> <int>
#> 1 43.2 31 -4.92 17.8 23.7 9.84 28 32
# another example, this time using probit regression
mod_probmfx <- probitmfx(am ~ cyl + hp + wt, atmean = TRUE, data = mtcars)
#> Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
tidy(mod_probmfx, conf.int = TRUE)
#> # A tibble: 3 × 8
#> term atmean estimate std.error statistic p.value conf.low conf.high
#> <chr> <lgl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 cyl TRUE 0.0616 0.112 0.548 0.583 -0.169 0.292
#> 2 hp TRUE 0.00383 0.00282 1.36 0.174 -0.00194 0.00960
#> 3 wt TRUE -1.06 0.594 -1.78 0.0753 -2.27 0.160
augment(mod_probmfx)
#> # A tibble: 32 × 11
#> .rownames am cyl hp wt .fitted .resid .hat .sigma .cooksd
#> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Mazda RX4 1 6 110 2.62 1.21 0.490 0.308 0.585 2.05e-2
#> 2 Mazda RX… 1 6 110 2.88 -0.129 1.27 0.249 0.526 1.36e-1
#> 3 Datsun 7… 1 4 93 2.32 1.85 0.256 0.134 0.594 1.48e-3
#> 4 Hornet 4… 0 6 110 3.22 -1.92 -0.237 0.116 0.594 1.05e-3
#> 5 Hornet S… 0 8 175 3.44 -1.25 -0.474 0.236 0.587 1.20e-2
#> 6 Valiant 0 6 105 3.46 -3.30 -0.0312 0.0111 0.596 1.39e-6
#> 7 Duster 3… 0 8 245 3.57 -0.595 -0.804 0.285 0.567 5.32e-2
#> 8 Merc 240D 0 4 62 3.19 -3.31 -0.0304 0.0179 0.596 2.15e-6
#> 9 Merc 230 0 4 95 3.15 -2.47 -0.116 0.130 0.596 2.89e-4
#> 10 Merc 280 0 6 123 3.44 -2.85 -0.0662 0.0315 0.596 1.84e-5
#> # ℹ 22 more rows
#> # ℹ 1 more variable: .std.resid <dbl>
glance(mod_probmfx)
#> # A tibble: 1 × 8
#> null.deviance df.null logLik AIC BIC deviance df.residual nobs
#> <dbl> <int> <dbl> <dbl> <dbl> <dbl> <int> <int>
#> 1 43.2 31 -4.80 17.6 23.5 9.59 28 32
相关用法
- R broom glance.multinom 浏览一个(n)多项对象
- R broom glance.mjoint 查看 a(n) mjoint 对象
- R broom glance.margins 浏览 (n) 个 margins 对象
- R broom glance.mlogit 浏览一个(n) mlogit 对象
- R broom glance.muhaz 浏览一个(n)多哈兹对象
- R broom glance.rlm 浏览 a(n) rlm 对象
- R broom glance.felm 瞥一眼毛毡物体
- R broom glance.geeglm 浏览 a(n) geeglm 对象
- R broom glance.plm 浏览一个 (n) plm 对象
- R broom glance.biglm 浏览 a(n) biglm 对象
- R broom glance.clm 浏览 a(n) clm 对象
- R broom glance.rma 浏览一个(n) rma 对象
- R broom glance.survexp 浏览 a(n) survexp 对象
- R broom glance.survreg 看一眼 survreg 对象
- R broom glance.rq 查看 a(n) rq 对象
- R broom glance.fitdistr 浏览 a(n) fitdistr 对象
- R broom glance.glm 浏览 a(n) glm 对象
- R broom glance.coxph 浏览 a(n) coxph 对象
- R broom glance.poLCA 浏览一个(n) poLCA 对象
- R broom glance.aov 瞥一眼 lm 物体
- R broom glance.sarlm 浏览一个(n)spatialreg对象
- R broom glance.polr 浏览 a(n) polr 对象
- R broom glance.negbin 看一眼 negbin 对象
- R broom glance.fixest 看一眼最固定的物体
- R broom glance.nls 浏览 a(n) nls 对象
注：本文由纯净天空筛选整理自等大神的英文原创作品 Glance at a(n) mfx object。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。