R broom glance.nls 瀏覽 a(n) nls 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 nls
glance(x, ...)

參數

x

從 stats::nls() 返回的 nls 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

tidy、stats::nls()

其他 nls 整理器：augment.nls() 、tidy.nls()

值

恰好隻有一行和一列的 tibble::tibble()：

AIC: 模型的 Akaike 信息準則。
BIC: 模型的貝葉斯信息準則。
deviance: 模型的偏差。
df.residual: 剩餘自由度。
finTol: 達到的收斂容差。
isConv: 擬合是否成功收斂。
logLik: 模型的對數似然。 [stats::logLik()] 可能是一個有用的參考。
nobs: 使用的觀察數。
sigma: 殘差的估計標準誤差。

例子


# fit model
n <- nls(mpg ~ k * e^wt, data = mtcars, start = list(k = 1, e = 2))

# summarize model fit with tidiers + visualization
tidy(n)
#> # A tibble: 2 × 5
#>   term  estimate std.error statistic  p.value
#>   <chr>    <dbl>     <dbl>     <dbl>    <dbl>
#> 1 k       49.7      3.79        13.1 5.96e-14
#> 2 e        0.746    0.0199      37.5 8.86e-27
augment(n)
#> # A tibble: 32 × 4
#>      mpg    wt .fitted .resid
#>    <dbl> <dbl>   <dbl>  <dbl>
#>  1  21    2.62    23.0 -2.01 
#>  2  21    2.88    21.4 -0.352
#>  3  22.8  2.32    25.1 -2.33 
#>  4  21.4  3.22    19.3  2.08 
#>  5  18.7  3.44    18.1  0.611
#>  6  18.1  3.46    18.0  0.117
#>  7  14.3  3.57    17.4 -3.11 
#>  8  24.4  3.19    19.5  4.93 
#>  9  22.8  3.15    19.7  3.10 
#> 10  19.2  3.44    18.1  1.11 
#> # ℹ 22 more rows
glance(n)
#> # A tibble: 1 × 9
#>   sigma isConv     finTol logLik   AIC   BIC deviance df.residual  nobs
#>   <dbl> <lgl>       <dbl>  <dbl> <dbl> <dbl>    <dbl>       <int> <int>
#> 1  2.67 TRUE   0.00000204  -75.8  158.  162.     214.          30    32

library(ggplot2)

ggplot(augment(n), aes(wt, mpg)) +
  geom_point() +
  geom_line(aes(y = .fitted))


newdata <- head(mtcars)
newdata$wt <- newdata$wt + 1

augment(n, newdata = newdata)
#> # A tibble: 6 × 13
#>   .rownames      mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear
#>   <chr>        <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 Mazda RX4     21       6   160   110  3.9   3.62  16.5     0     1     4
#> 2 Mazda RX4 W…  21       6   160   110  3.9   3.88  17.0     0     1     4
#> 3 Datsun 710    22.8     4   108    93  3.85  3.32  18.6     1     1     4
#> 4 Hornet 4 Dr…  21.4     6   258   110  3.08  4.22  19.4     1     0     3
#> 5 Hornet Spor…  18.7     8   360   175  3.15  4.44  17.0     0     0     3
#> 6 Valiant       18.1     6   225   105  2.76  4.46  20.2     1     0     3
#> # ℹ 2 more variables: carb <dbl>, .fitted <dbl>

源代碼：R/stats-nls-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) nls 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。