R broom glance.biglm 瀏覽 a(n) biglm 對象

Glance 接受模型對象並返回 tibble::tibble()，其中僅包含一行模型摘要。摘要通常是擬合優度度量、殘差假設檢驗的 p 值或模型收斂信息。

Glance 永遠不會返返回自對建模函數的原始調用的信息。這包括建模函數的名稱或傳遞給建模函數的任何參數。

Glance 不計算匯總度量。相反，它將這些計算外包給適當的方法並將結果收集在一起。有時擬合優度測量是不確定的。在這些情況下，該度量將報告為 NA 。

無論模型矩陣是否秩虧，Glance 都會返回相同的列數。如果是這樣，則不再具有明確定義值的列中的條目將使用適當類型的 NA 進行填充。

用法

# S3 method for biglm
glance(x, ...)

參數

x

通過調用 biglm::biglm() 或 biglm::bigglm() 創建的 biglm 對象。

...

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：

tidy() 方法在提供 exponentiate 參數時會發出警告(如果該參數將被忽略)。
augment() 方法在提供 newdata 參數時會發出警告(如果該參數將被忽略)。

也可以看看

glance() , biglm::biglm() , biglm::bigglm()

其他 biglm 整理器：tidy.biglm()

值

恰好隻有一行和一列的 tibble::tibble()：

AIC: 模型的 Akaike 信息準則。
deviance: 模型的偏差。
df.residual: 剩餘自由度。
nobs: 使用的觀察數。
r.squared: R 平方統計量，或模型解釋的變異百分比。也稱為決定係數。

例子


# load modeling library
library(biglm)

# fit model -- linear regression
bfit <- biglm(mpg ~ wt + disp, mtcars)

# summarize model fit with tidiers
tidy(bfit)
#> # A tibble: 3 × 4
#>   term        estimate std.error  p.value
#>   <chr>          <dbl>     <dbl>    <dbl>
#> 1 (Intercept)  35.0      2.16    1.11e-58
#> 2 wt           -3.35     1.16    4.00e- 3
#> 3 disp         -0.0177   0.00919 5.38e- 2
tidy(bfit, conf.int = TRUE)
#> # A tibble: 3 × 6
#>   term        estimate std.error  p.value conf.low conf.high
#>   <chr>          <dbl>     <dbl>    <dbl>    <dbl>     <dbl>
#> 1 (Intercept)  35.0      2.16    1.11e-58  30.7    39.2     
#> 2 wt           -3.35     1.16    4.00e- 3  -5.63   -1.07    
#> 3 disp         -0.0177   0.00919 5.38e- 2  -0.0357  0.000288
tidy(bfit, conf.int = TRUE, conf.level = .9)
#> # A tibble: 3 × 6
#>   term        estimate std.error  p.value conf.low conf.high
#>   <chr>          <dbl>     <dbl>    <dbl>    <dbl>     <dbl>
#> 1 (Intercept)  35.0      2.16    1.11e-58  31.4     38.5    
#> 2 wt           -3.35     1.16    4.00e- 3  -5.27    -1.44   
#> 3 disp         -0.0177   0.00919 5.38e- 2  -0.0328  -0.00261

glance(bfit)
#> # A tibble: 1 × 5
#>   r.squared   AIC deviance df.residual  nobs
#>       <dbl> <dbl>    <dbl>       <int> <int>
#> 1     0.781  253.     247.          29    32

# fit model -- logistic regression
bgfit <- bigglm(am ~ mpg, mtcars, family = binomial())

# summarize model fit with tidiers
tidy(bgfit)
#> # A tibble: 2 × 4
#>   term        estimate std.error p.value
#>   <chr>          <dbl>     <dbl>   <dbl>
#> 1 (Intercept)   -6.60      2.35  0.00498
#> 2 mpg            0.307     0.115 0.00751
tidy(bgfit, exponentiate = TRUE)
#> # A tibble: 2 × 4
#>   term        estimate std.error p.value
#>   <chr>          <dbl>     <dbl>   <dbl>
#> 1 (Intercept)  0.00136     2.35  0.00498
#> 2 mpg          1.36        0.115 0.00751
tidy(bgfit, conf.int = TRUE)
#> # A tibble: 2 × 6
#>   term        estimate std.error p.value conf.low conf.high
#>   <chr>          <dbl>     <dbl>   <dbl>    <dbl>     <dbl>
#> 1 (Intercept)   -6.60      2.35  0.00498 -11.2       -1.99 
#> 2 mpg            0.307     0.115 0.00751   0.0819     0.532
tidy(bgfit, conf.int = TRUE, conf.level = .9)
#> # A tibble: 2 × 6
#>   term        estimate std.error p.value conf.low conf.high
#>   <chr>          <dbl>     <dbl>   <dbl>    <dbl>     <dbl>
#> 1 (Intercept)   -6.60      2.35  0.00498  -10.5      -2.74 
#> 2 mpg            0.307     0.115 0.00751    0.118     0.496
tidy(bgfit, conf.int = TRUE, conf.level = .9, exponentiate = TRUE)
#> # A tibble: 2 × 6
#>   term        estimate std.error p.value  conf.low conf.high
#>   <chr>          <dbl>     <dbl>   <dbl>     <dbl>     <dbl>
#> 1 (Intercept)  0.00136     2.35  0.00498 0.0000283    0.0648
#> 2 mpg          1.36        0.115 0.00751 1.13         1.64  

glance(bgfit)
#> # A tibble: 1 × 5
#>   r.squared   AIC deviance df.residual  nobs
#>       <dbl> <dbl>    <dbl>       <dbl> <dbl>
#> 1     0.175  33.7     29.7          30    32

源代碼：R/biglm-tidiers.R

相關用法

注：本文由純淨天空篩選整理自等大神的英文原創作品 Glance at a(n) biglm 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。