这些方法整理由 nnet 包的 multinom 生成的多项逻辑回归模型的系数。
参数
- x
-
从
nnet::multinom()返回的multinom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。 - exponentiate
-
逻辑指示是否对系数估计值取幂。这对于逻辑回归和多项回归来说是典型的，但如果没有 log 或 logit 链接，那么这是一个坏主意。默认为
FALSE。 - ...
-
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：
也可以看看
其他多项整理器：glance.multinom()
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。
- y.value
-
响应级别。
例子
# load libraries for models and data
library(nnet)
library(MASS)
example(birthwt)
#>
#> brthwt> bwt <- with(birthwt, {
#> brthwt+ race <- factor(race, labels = c("white", "black", "other"))
#> brthwt+ ptd <- factor(ptl > 0)
#> brthwt+ ftv <- factor(ftv)
#> brthwt+ levels(ftv)[-(1:2)] <- "2+"
#> brthwt+ data.frame(low = factor(low), age, lwt, race, smoke = (smoke > 0),
#> brthwt+ ptd, ht = (ht > 0), ui = (ui > 0), ftv)
#> brthwt+ })
#>
#> brthwt> options(contrasts = c("contr.treatment", "contr.poly"))
#>
#> brthwt> glm(low ~ ., binomial, bwt)
#>
#> Call: glm(formula = low ~ ., family = binomial, data = bwt)
#>
#> Coefficients:
#> (Intercept) age lwt raceblack raceother
#> 0.82302 -0.03723 -0.01565 1.19241 0.74068
#> smokeTRUE ptdTRUE htTRUE uiTRUE ftv1
#> 0.75553 1.34376 1.91317 0.68020 -0.43638
#> ftv2+
#> 0.17901
#>
#> Degrees of Freedom: 188 Total (i.e. Null); 178 Residual
#> Null Deviance: 234.7
#> Residual Deviance: 195.5 AIC: 217.5
bwt.mu <- multinom(low ~ ., bwt)
#> # weights: 12 (11 variable)
#> initial value 131.004817
#> iter 10 value 98.029803
#> final value 97.737759
#> converged
tidy(bwt.mu)
#> # A tibble: 11 × 6
#> y.level term estimate std.error statistic p.value
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 1 (Intercept) 0.823 1.24 0.661 0.508
#> 2 1 age -0.0372 0.0387 -0.962 0.336
#> 3 1 lwt -0.0157 0.00708 -2.21 0.0271
#> 4 1 raceblack 1.19 0.536 2.22 0.0261
#> 5 1 raceother 0.741 0.462 1.60 0.109
#> 6 1 smokeTRUE 0.756 0.425 1.78 0.0755
#> 7 1 ptdTRUE 1.34 0.481 2.80 0.00518
#> 8 1 htTRUE 1.91 0.721 2.65 0.00794
#> 9 1 uiTRUE 0.680 0.464 1.46 0.143
#> 10 1 ftv1 -0.436 0.479 -0.910 0.363
#> 11 1 ftv2+ 0.179 0.456 0.392 0.695
glance(bwt.mu)
#> # A tibble: 1 × 4
#> edf deviance AIC nobs
#> <dbl> <dbl> <dbl> <int>
#> 1 11 195. 217. 189
# or, for output from a multinomial logistic regression
fit.gear <- multinom(gear ~ mpg + factor(am), data = mtcars)
#> # weights: 12 (6 variable)
#> initial value 35.155593
#> iter 10 value 14.156582
#> iter 20 value 14.031881
#> iter 30 value 14.025659
#> iter 40 value 14.021414
#> iter 50 value 14.019824
#> iter 60 value 14.019278
#> iter 70 value 14.018601
#> iter 80 value 14.018282
#> iter 80 value 14.018282
#> iter 90 value 14.017126
#> final value 14.015374
#> converged
tidy(fit.gear)
#> # A tibble: 6 × 6
#> y.level term estimate std.error statistic p.value
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 4 (Intercept) -11.2 5.32 -2.10 3.60e- 2
#> 2 4 mpg 0.525 0.268 1.96 5.02e- 2
#> 3 4 factor(am)1 11.9 66.9 0.178 8.59e- 1
#> 4 5 (Intercept) -18.4 67.9 -0.271 7.87e- 1
#> 5 5 mpg 0.366 0.292 1.25 2.10e- 1
#> 6 5 factor(am)1 22.4 2.17 10.3 4.54e-25
glance(fit.gear)
#> # A tibble: 1 × 4
#> edf deviance AIC nobs
#> <dbl> <dbl> <dbl> <int>
#> 1 6 28.0 40.0 32
相关用法
- R broom tidy.muhaz 整理 a(n) muhaz 对象
- R broom tidy.map 整理 a(n) Map对象
- R broom tidy.margins 整理 a(n) 边距对象
- R broom tidy.mlogit Logit模型的整理方法
- R broom tidy.mlm 整理 a(n) 传销对象
- R broom tidy.mjoint 整理 a(n) mjoint 对象
- R broom tidy.manova 整理 a(n) 方差分析对象
- R broom tidy.mfx 整理 a(n) mfx 对象
- R broom tidy.mediate 整理 a(n) 中介对象
- R broom tidy.mle2 整理 a(n) mle2 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.biglm 整理 a(n) biglm 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.betamfx 整理 a(n) betamfx 对象
- R broom tidy.anova 整理 a(n) anova 对象
- R broom tidy.btergm 整理 a(n) btergm 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
注：本文由纯净天空筛选整理自等大神的英文原创作品 Tidying methods for multinomial logistic regression models。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。