R stepAIC 在逐步算法中通過 AIC 選擇模型

說明

通過 AIC 執行逐步模型選擇。

用法

stepAIC(object, scope, scale = 0,
        direction = c("both", "backward", "forward"),
        trace = 1, keep = NULL, steps = 1000, use.start = FALSE,
        k = 2, ...)

參數

object	代表適當類的模型的對象。這用作逐步搜索中的初始模型。
scope	定義逐步搜索中檢查的模型範圍。這應該是單個公式，或者是包含組件 upper 和 lower (這兩個公式)的列表。請參閱有關如何指定公式及其使用方法的詳細信息。
scale	用於定義模型選擇的 AIC 統計量，目前僅適用於 lm 和 aov 模型(詳細信息請參閱 extractAIC)。
direction	逐步搜索的模式，可以是 "both" 、 "backward" 或 "forward" 之一，默認為 "both" 。如果缺少 scope 參數，則 direction 的默認值為 "backward" 。
trace	如果為正，則在 stepAIC 運行期間打印信息。較大的值可以提供有關擬合過程的更多信息。
keep	一個過濾函數，其輸入是擬合模型對象和關聯的 AIC 統計量，其輸出是任意的。通常keep 將選擇對象組件的子集並返回它們。默認情況下不保留任何內容。
steps	要考慮的最大步驟數。默認值為 1000(本質上是需要的數量)。它通常用於提前停止該過程。
use.start	如果為 true，則從當前所選模型的線性預測器開始完成更新的擬合。這可能會加快迭代計算速度glm(和其他不適)，但它也會減慢它們的速度。未使用在R.
k	用於懲罰的自由度數的倍數。隻有k = 2 提供真正的AIC：k = log(n) 有時稱為BIC 或SBC。
...	extractAIC 的任何其他參數。 (目前尚未使用。)

細節

搜索的模型集由 scope 參數確定。其lower 組件的右側始終包含在模型中，模型的右側包含在upper 組件中。如果scope 是單個公式，則它指定upper 組件，並且lower 模型為空。如果scope 缺失，則初始模型將用作upper 模型。

scope 指定的模型可以作為更新 object 的模板，如 update.formula 使用的那樣。

使用 glm 與變量 scale 配合存在潛在問題，因為在這種情況下，偏差不僅僅與最大化對數似然相關。 extractAIC 的 glm 方法對 gaussian 係列進行了適當的調整，但可能需要針對其他情況進行修改。 (binomial 和 poisson 係列默認修複了 scale，並且不對應於變量 scale 的特定 maximum-likelihood 問題。)

如果存在常規偏差(例如，lm、aov 和 glm 適合)，則會在方差分析表中引用：它是未縮放偏差。

值

返回逐步選擇的模型，最多帶有兩個附加組件。有一個 "anova" 組件對應於搜索中采取的步驟，如果在調用中提供了 keep= 參數，則還有一個 "keep" 組件。偏差表分析的 "Resid. Dev" 列是指一個常數減去兩倍最大對數似然：僅在明確定義飽和模型的情況下才會出現偏差(因此不包括 lm 、 aov 和 survreg )。

注意

模型擬合必須將模型應用到同一數據集。如果存在缺失值和na.action以外na.fail使用(就像默認的R)。我們建議您先刪除缺失值。

例子

quine.hi <- aov(log(Days + 2.5) ~ .^4, quine)
quine.nxt <- update(quine.hi, . ~ . - Eth:Sex:Age:Lrn)
quine.stp <- stepAIC(quine.nxt,
    scope = list(upper = ~Eth*Sex*Age*Lrn, lower = ~1),
    trace = FALSE)
quine.stp$anova

cpus1 <- cpus
for(v in names(cpus)[2:7])
  cpus1[[v]] <- cut(cpus[[v]], unique(quantile(cpus[[v]])),
                    include.lowest = TRUE)
cpus0 <- cpus1[, 2:8]  # excludes names, authors' predictions
cpus.samp <- sample(1:209, 100)
cpus.lm <- lm(log10(perf) ~ ., data = cpus1[cpus.samp,2:8])
cpus.lm2 <- stepAIC(cpus.lm, trace = FALSE)
cpus.lm2$anova

example(birthwt)
birthwt.glm <- glm(low ~ ., family = binomial, data = bwt)
birthwt.step <- stepAIC(birthwt.glm, trace = FALSE)
birthwt.step$anova
birthwt.step2 <- stepAIC(birthwt.glm, ~ .^2 + I(scale(age)^2)
    + I(scale(lwt)^2), trace = FALSE)
birthwt.step2$anova

quine.nb <- glm.nb(Days ~ .^4, data = quine)
quine.nb2 <- stepAIC(quine.nb)
quine.nb2$anova

參考

Venables, W. N. and Ripley, B. D. (2002) Modern Applied Statistics with S. Fourth edition. Springer.

也可以看看

addterm , dropterm , step