R anova.glm 广义线性模型拟合的偏差分析

说明

计算一个或多个广义线性模型拟合的偏差表分析。

用法

## S3 method for class 'glm'
anova(object, ..., dispersion = NULL, test = NULL)

参数

object , ...	类 glm 的对象，通常是调用 glm 的结果，或者 "glmlist" 方法的 objects 列表。
dispersion	拟合族的色散参数。默认情况下，它是从对象中获取的。
test	字符串，(部分)匹配 "Chisq" 、 "LRT" 、 "Rao" 、 "F" 或 "Cp" 之一。请参阅stat.anova。或逻辑 FALSE ，它会抑制任何测试。

细节

指定单个对象可以对该拟合的偏差表进行顺序分析。也就是说，随着公式的每一项依次相加，残余偏差的减少量以表格的行加上残余偏差本身的形式给出。

如果指定了多个对象，则表中的一行表示每个模型的剩余自由度和偏差。对于除第一个模型之外的所有模型，还给出了自由度和偏差的变化。 (这仅在模型嵌套时才具有统计意义。)按照惯例，从最小到最大列出模型，但这取决于用户。

该表可以选择包含比较行偏差与残差减少情况的测试统计数据(和 P 值)。对于具有已知离散度的模型(例如，二项式和泊松拟合)，卡方检验是最合适的，对于那些通过矩估计离散度的模型(例如，gaussian、quasibinomial 和 quasipoisson 拟合)，F 检验是最合适的。如果 anova.glm 可以确定适用哪种情况，则默认情况下它将使用上述测试之一。如果提供了 dispersion 参数，则认为色散已知并且将使用卡方检验。参数 test=FALSE 抑制检验统计数据和 P 值。 Mallows 的 C_p 统计量是残余偏差加上 \sigma^2 估计值的两倍乘以残余自由度，这与 AIC 密切相关(如果离散度已知，则为 AIC 的倍数)。您还可以选择"LRT" 和"Rao" 进行似然比检验和Rao 高效分数检验。前者与 "Chisq" 同义(尽管两者都具有渐近卡方分布)。

色散估计将使用 summary.glm 返回的值从最大模型中获取。由于在大多数情况下将使用基于卡方的估计，因此 F 检验并非基于所示偏差分析表中的残余偏差。

值

类 "anova" 的对象继承自类 "data.frame" 。

警告

仅当两个或多个模型适合同一数据集时，它们之间的比较才有效。如果存在缺失值，这可能会出现问题R的默认值是na.action = na.omit被使用，并且anova将检测到此错误。

例子

## --- Continuing the Example from  '?glm':

anova(glm.D93, test = FALSE)
anova(glm.D93, test = "Cp")
anova(glm.D93, test = "Chisq")
glm.D93a <-
   update(glm.D93, ~treatment*outcome) # equivalent to Pearson Chi-square
anova(glm.D93, glm.D93a, test = "Rao")

参考

Hastie, T. J. and Pregibon, D. (1992) Generalized linear models. Chapter 6 of Statistical Models in S eds J. M. Chambers and T. J. Hastie, Wadsworth & Brooks/Cole.

也可以看看

glm、anova。

drop1 用于所谓的“II 型”方差分析，其中每个术语一次删除一个，尊重其层次结构。