Augment 接受模型對象和數據集,並添加有關數據集中每個觀察值的信息。最常見的是,這包括 .fitted
列中的預測值、.resid
列中的殘差以及 .se.fit
列中擬合值的標準誤差。新列始終以 .
前綴開頭,以避免覆蓋原始數據集中的列。
用戶可以通過 data
參數或 newdata
參數傳遞數據以進行增強。如果用戶將數據傳遞給 data
參數,則它必須正是用於擬合模型對象的數據。將數據集傳遞給 newdata
以擴充模型擬合期間未使用的數據。這仍然要求至少存在用於擬合模型的所有預測變量列。如果用於擬合模型的原始結果變量未包含在 newdata
中,則輸出中不會包含 .resid
列。
根據是否給出 data
或 newdata
,增強的行為通常會有所不同。這是因為通常存在與訓練觀察(例如影響或相關)測量相關的信息,而這些信息對於新觀察沒有有意義的定義。
為了方便起見,許多增強方法提供默認的 data
參數,以便 augment(fit)
將返回增強的訓練數據。在這些情況下,augment 嘗試根據模型對象重建原始數據,並取得了不同程度的成功。
增強數據集始終以 tibble::tibble 形式返回,其行數與傳遞的數據集相同。這意味著傳遞的數據必須可強製轉換為 tibble。如果預測變量將模型作為協變量矩陣的一部分輸入,例如當模型公式使用 splines::ns()
、 stats::poly()
或 survival::Surv()
時,它會表示為矩陣列。
我們正在定義適合各種 na.action
參數的模型的行為,但目前不保證數據丟失時的行為。
參數
- x
-
MASS::rlm()
返回的rlm
對象。 - data
-
base::data.frame 或
tibble::tibble()
包含用於生成對象x
的原始數據。默認為stats::model.frame(x)
,以便augment(my_fit)
返回增強的原始數據。不要將新數據傳遞給data
參數。增強將報告傳遞給data
參數的數據的影響和烹飪距離等信息。這些度量僅針對原始訓練數據定義。 - newdata
-
base::data.frame()
或tibble::tibble()
包含用於創建x
的所有原始預測變量。默認為NULL
,表示沒有任何內容傳遞給newdata
。如果指定了newdata
,則data
參數將被忽略。 - se_fit
-
邏輯指示是否應將
.se.fit
列添加到增強輸出中。對於某些模型,此計算可能有點耗時。默認為FALSE
。 - ...
-
附加參數。不曾用過。僅需要匹配通用簽名。注意:拚寫錯誤的參數將被吸收到
...
中,並被忽略。如果拚寫錯誤的參數有默認值,則將使用默認值。例如,如果您傳遞conf.lvel = 0.9
,所有計算將使用conf.level = 0.95
進行。這裏有兩個異常:
也可以看看
其他 rlm 整理器:glance.rlm()
、tidy.rlm()
值
帶有列的 tibble::tibble()
:
- .fitted
-
擬合值或預測值。
- .hat
-
帽子矩陣的對角線。
- .resid
-
觀察值和擬合值之間的差異。
- .se.fit
-
擬合值的標準誤差。
- .sigma
-
從模型中刪除相應觀測值時的估計殘差標準差。
例子
# load libraries for models and data
library(MASS)
# fit model
r <- rlm(stack.loss ~ ., stackloss)
# summarize model fit with tidiers
tidy(r)
#> # A tibble: 4 × 4
#> term estimate std.error statistic
#> <chr> <dbl> <dbl> <dbl>
#> 1 (Intercept) -41.0 9.81 -4.18
#> 2 Air.Flow 0.829 0.111 7.46
#> 3 Water.Temp 0.926 0.303 3.05
#> 4 Acid.Conc. -0.128 0.129 -0.992
augment(r)
#> # A tibble: 21 × 10
#> stack.loss Air.Flow Water.Temp Acid.Conc. .fitted .resid .hat .sigma
#> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 42 80 27 89 38.9 3.05 0.327 3.32
#> 2 37 80 27 88 39.1 -2.08 0.343 3.39
#> 3 37 75 25 90 32.8 4.18 0.155 3.26
#> 4 28 62 24 87 21.5 6.50 0.0713 3.01
#> 5 18 62 22 87 19.6 -1.65 0.0562 3.42
#> 6 18 62 23 87 20.6 -2.57 0.0835 3.38
#> 7 19 62 24 93 20.7 -1.73 0.230 3.42
#> 8 20 62 24 93 20.7 -0.731 0.230 3.44
#> 9 15 58 23 87 17.3 -2.25 0.155 3.40
#> 10 14 58 18 80 13.5 0.481 0.213 3.45
#> # ℹ 11 more rows
#> # ℹ 2 more variables: .cooksd <dbl>, .std.resid <dbl>
glance(r)
#> # A tibble: 1 × 7
#> sigma converged logLik AIC BIC deviance nobs
#> <dbl> <lgl> <logLik> <dbl> <dbl> <dbl> <int>
#> 1 2.44 TRUE -52.954 116. 121. 191. 21
相關用法
- R broom augment.robustbase.glmrob 使用來自 glmrob 對象的信息增強數據
- R broom augment.rqs 使用來自 (n) 個 rqs 對象的信息來增強數據
- R broom augment.rq 使用來自 a(n) rq 對象的信息增強數據
- R broom augment.robustbase.lmrob 使用來自 lmrob 對象的信息增強數據
- R broom augment.rma 使用來自 rma 對象的信息增強數據
- R broom augment.betamfx 使用來自 betamfx 對象的信息增強數據
- R broom augment.htest 使用來自(n)個 htest 對象的信息來增強數據
- R broom augment.clm 使用來自 clm 對象的信息增強數據
- R broom augment.speedlm 使用來自 speedlm 對象的信息增強數據
- R broom augment.felm 使用來自 (n) 個 felm 對象的信息來增強數據
- R broom augment.smooth.spline 整理一個(n)smooth.spline對象
- R broom augment.drc 使用來自 a(n) drc 對象的信息增強數據
- R broom augment.decomposed.ts 使用來自 decomposed.ts 對象的信息增強數據
- R broom augment.poLCA 使用來自 poLCA 對象的信息增強數據
- R broom augment.lm 使用來自 (n) lm 對象的信息增強數據
- R broom augment.polr 使用來自 (n) 個 polr 對象的信息增強數據
- R broom augment.plm 使用來自 plm 對象的信息增強數據
- R broom augment.nls 使用來自 nls 對象的信息增強數據
- R broom augment.gam 使用來自 gam 對象的信息增強數據
- R broom augment.fixest 使用來自(n)個最固定對象的信息來增強數據
- R broom augment.survreg 使用來自 survreg 對象的信息增強數據
- R broom augment.Mclust 使用來自 Mclust 對象的信息增強數據
- R broom augment.nlrq 整理 a(n) nlrq 對象
- R broom augment.lmRob 使用來自 lmRob 對象的信息增強數據
- R broom augment.mlogit 使用來自 mlogit 對象的信息增強數據
注:本文由純淨天空篩選整理自等大神的英文原創作品 Augment data with information from a(n) rlm object。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。