Tidy 总结了有关模型组件的信息。模型组件可能是回归中的单个项、单个假设、聚类或类。 tidy 所认为的模型组件的确切含义因模型而异，但通常是不言而喻的。如果模型具有多种不同类型的组件，您将需要指定要返回哪些组件。
参数
- x
-
betamfx对象。 - conf.int
-
逻辑指示是否在整理的输出中包含置信区间。默认为
FALSE。 - conf.level
-
用于置信区间的置信水平(如果
conf.int = TRUE)。必须严格大于 0 且小于 1。默认为 0.95，对应于 95% 的置信区间。 - ...
-
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
mfx 包提供了计算各种广义线性模型 (GLM) 边际效应的方法。与标准线性模型不同，GLM 中的估计模型系数不能直接解释为边际效应(即回归变量之一发生一单位变化后预测的响应变量的变化)。这是因为估计系数是乘法的，取决于用于估计的链接函数和模型中包含的任何其他变量。在计算边际效应时，用户通常必须选择是否要使用 i) 数据中的平均观察值，或 ii) 样本边际效应的平均值。有关更多详细信息，请参阅mfx 包中的vignette("mfxarticle")。
也可以看看
tidy.betareg() , mfx::betamfx()
其他 mfx 整理器：augment.betamfx()、augment.mfx()、glance.betamfx()、glance.mfx()、tidy.mfx()
值
带有列的 tibble::tibble()：
- conf.high
-
估计置信区间的上限。
- conf.low
-
估计置信区间的下限。
- estimate
-
回归项的估计值。
- p.value
-
与观察到的统计量相关的两侧 p 值。
- statistic
-
在回归项非零的假设中使用的 T-statistic 的值。
- std.error
-
回归项的标准误差。
- term
-
回归项的名称。
- atmean
-
如果边际效应最初计算为平均观测值的部分效应，则为 TRUE。如果为 FALSE，则将这些计算为平均部分效应。
例子
library(mfx)
# Simulate some data
set.seed(12345)
n <- 1000
x <- rnorm(n)
# Beta outcome
y <- rbeta(n, shape1 = plogis(1 + 0.5 * x), shape2 = (abs(0.2 * x)))
# Use Smithson and Verkuilen correction
y <- (y * (n - 1) + 0.5) / n
d <- data.frame(y, x)
mod_betamfx <- betamfx(y ~ x | x, data = d)
tidy(mod_betamfx, conf.int = TRUE)
#> # A tibble: 1 × 8
#> term atmean estimate std.error statistic p.value conf.low conf.high
#> <chr> <lgl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 x TRUE 0.0226 0.00801 2.82 0.00483 0.00686 0.0383
# Compare with the naive model coefficients of the equivalent betareg call (not run)
# tidy(betamfx(y ~ x | x, data = d), conf.int = TRUE)
augment(mod_betamfx)
#> # A tibble: 1,000 × 5
#> y x .fitted .resid .cooksd
#> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 0.951 0.586 0.809 -0.230 0.000189
#> 2 0.714 0.709 0.811 -0.663 0.0000993
#> 3 0.999 -0.109 0.793 0.747 0.000273
#> 4 0.998 -0.453 0.785 0.530 0.000334
#> 5 0.999 0.606 0.809 0.724 0.000342
#> 6 0.562 -1.82 0.751 -0.648 0.000878
#> 7 0.999 0.630 0.810 0.679 0.000348
#> 8 0.999 -0.276 0.789 0.685 0.000294
#> 9 0.744 -0.284 0.789 -0.577 0.0000134
#> 10 0.999 -0.919 0.774 0.709 0.000551
#> # ℹ 990 more rows
glance(mod_betamfx)
#> # A tibble: 1 × 7
#> pseudo.r.squared df.null logLik AIC BIC df.residual nobs
#> <dbl> <dbl> <dbl> <dbl> <dbl> <int> <int>
#> 1 0.00726 998 1897. -3787. -3767. 996 1000
相关用法
- R broom tidy.betareg 整理 a(n) betareg 对象
- R broom tidy.biglm 整理 a(n) biglm 对象
- R broom tidy.btergm 整理 a(n) btergm 对象
- R broom tidy.boot 整理 a(n) 引导对象
- R broom tidy.binDesign 整理 a(n) binDesign 对象
- R broom tidy.binWidth 整理 a(n) binWidth 对象
- R broom tidy.robustbase.glmrob 整理 a(n) glmrob 对象
- R broom tidy.acf 整理 a(n) acf 对象
- R broom tidy.robustbase.lmrob 整理 a(n) lmrob 对象
- R broom tidy.garch 整理 a(n) garch 对象
- R broom tidy.rq 整理 a(n) rq 对象
- R broom tidy.kmeans 整理 a(n) kmeans 对象
- R broom tidy.anova 整理 a(n) anova 对象
- R broom tidy.cv.glmnet 整理 a(n) cv.glmnet 对象
- R broom tidy.roc 整理 a(n) roc 对象
- R broom tidy.poLCA 整理 a(n) poLCA 对象
- R broom tidy.emmGrid 整理 a(n) emmGrid 对象
- R broom tidy.Kendall 整理 a(n) Kendall 对象
- R broom tidy.survreg 整理 a(n) survreg 对象
- R broom tidy.ergm 整理 a(n) ergm 对象
- R broom tidy.pairwise.htest 整理 a(n)pairwise.htest 对象
- R broom tidy.coeftest 整理 a(n) coeftest 对象
- R broom tidy.polr 整理 a(n) polr 对象
- R broom tidy.map 整理 a(n) Map对象
- R broom tidy.survexp 整理 a(n) survexp 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 Tidy a(n) betamfx 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。