R anova.glm 廣義線性模型擬合的偏差分析

說明

計算一個或多個廣義線性模型擬合的偏差表分析。

用法

## S3 method for class 'glm'
anova(object, ..., dispersion = NULL, test = NULL)

參數

object , ...	類 glm 的對象，通常是調用 glm 的結果，或者 "glmlist" 方法的 objects 列表。
dispersion	擬合族的色散參數。默認情況下，它是從對象中獲取的。
test	字符串，(部分)匹配 "Chisq" 、 "LRT" 、 "Rao" 、 "F" 或 "Cp" 之一。請參閱stat.anova。或邏輯 FALSE ，它會抑製任何測試。

細節

指定單個對象可以對該擬合的偏差表進行順序分析。也就是說，隨著公式的每一項依次相加，殘餘偏差的減少量以表格的行加上殘餘偏差本身的形式給出。

如果指定了多個對象，則表中的一行表示每個模型的剩餘自由度和偏差。對於除第一個模型之外的所有模型，還給出了自由度和偏差的變化。 (這僅在模型嵌套時才具有統計意義。)按照慣例，從最小到最大列出模型，但這取決於用戶。

該表可以選擇包含比較行偏差與殘差減少情況的測試統計數據(和 P 值)。對於具有已知離散度的模型(例如，二項式和泊鬆擬合)，卡方檢驗是最合適的，對於那些通過矩估計離散度的模型(例如，gaussian、quasibinomial 和 quasipoisson 擬合)，F 檢驗是最合適的。如果 anova.glm 可以確定適用哪種情況，則默認情況下它將使用上述測試之一。如果提供了 dispersion 參數，則認為色散已知並且將使用卡方檢驗。參數 test=FALSE 抑製檢驗統計數據和 P 值。 Mallows 的 C_p 統計量是殘餘偏差加上 \sigma^2 估計值的兩倍乘以殘餘自由度，這與 AIC 密切相關(如果離散度已知，則為 AIC 的倍數)。您還可以選擇"LRT" 和"Rao" 進行似然比檢驗和Rao 高效分數檢驗。前者與 "Chisq" 同義(盡管兩者都具有漸近卡方分布)。

色散估計將使用 summary.glm 返回的值從最大模型中獲取。由於在大多數情況下將使用基於卡方的估計，因此 F 檢驗並非基於所示偏差分析表中的殘餘偏差。

值

類 "anova" 的對象繼承自類 "data.frame" 。

警告

僅當兩個或多個模型適合同一數據集時，它們之間的比較才有效。如果存在缺失值，這可能會出現問題R的默認值是na.action = na.omit被使用，並且anova將檢測到此錯誤。

例子

## --- Continuing the Example from  '?glm':

anova(glm.D93, test = FALSE)
anova(glm.D93, test = "Cp")
anova(glm.D93, test = "Chisq")
glm.D93a <-
   update(glm.D93, ~treatment*outcome) # equivalent to Pearson Chi-square
anova(glm.D93, glm.D93a, test = "Rao")

參考

Hastie, T. J. and Pregibon, D. (1992) Generalized linear models. Chapter 6 of Statistical Models in S eds J. M. Chambers and T. J. Hastie, Wadsworth & Brooks/Cole.

也可以看看

glm、anova。

drop1 用於所謂的“II 型”方差分析，其中每個術語一次刪除一個，尊重其層次結構。