Tidy 總結了有關模型組件的信息。模型組件可能是回歸中的單個項、單個假設、聚類或類。 tidy 所認為的模型組件的確切含義因模型而異，但通常是不言而喻的。如果模型具有多種不同類型的組件，您將需要指定要返回哪些組件。
參數
- x
-
從
quantreg::nlrq()返回的nlrq對象。 - conf.int
-
邏輯指示是否在整理的輸出中包含置信區間。默認為
FALSE。 - conf.level
-
用於置信區間的置信水平(如果
conf.int = TRUE)。必須嚴格大於 0 且小於 1。默認為 0.95，對應於 95% 的置信區間。 - ...
-
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 quantreg 整理器： augment.nlrq() 、 augment.rqs() 、 augment.rq() 、 glance.nlrq() 、 glance.rq() 、 tidy.rqs() 、 tidy.rq()
值
帶有列的 tibble::tibble()：
- conf.high
-
估計置信區間的上限。
- conf.low
-
估計置信區間的下限。
- estimate
-
回歸項的估計值。
- p.value
-
與觀察到的統計量相關的兩側 p 值。
- statistic
-
在回歸項非零的假設中使用的 T-statistic 的值。
- std.error
-
回歸項的標準誤差。
- term
-
回歸項的名稱。
例子
# load modeling library
library(quantreg)
# build artificial data with multiplicative error
set.seed(1)
dat <- NULL
dat$x <- rep(1:25, 20)
dat$y <- SSlogis(dat$x, 10, 12, 2) * rnorm(500, 1, 0.1)
# fit the median using nlrq
mod <- nlrq(y ~ SSlogis(x, Asym, mid, scal),
data = dat, tau = 0.5, trace = TRUE
)
#> 109.059 : 9.968027 11.947208 1.962113
#> final value 108.942725
#> converged
#> lambda = 1
#> 108.9427 : 9.958648 11.943273 1.967144
#> final value 108.490939
#> stopped after 2 iterations
#> lambda = 0.9750984
#> 108.4909 : 9.949430 11.987472 1.998607
#> final value 108.471416
#> converged
#> lambda = 0.9999299
#> 108.4714 : 9.94163 11.99077 1.99344
#> final value 108.471243
#> converged
#> lambda = 1
#> 108.4712 : 9.941008 11.990550 1.992921
#> final value 108.470935
#> converged
#> lambda = 0.8621249
#> 108.4709 : 9.942734 11.992773 1.993209
#> final value 108.470923
#> converged
#> lambda = 0.9999613
#> 108.4709 : 9.942629 11.992728 1.993136
#> final value 108.470919
#> converged
#> lambda = 1
#> 108.4709 : 9.942644 11.992737 1.993144
#> final value 108.470919
#> converged
#> lambda = 1
#> 108.4709 : 9.942644 11.992737 1.993144
#> final value 108.470919
#> converged
#> lambda = 1
#> 108.4709 : 9.942644 11.992737 1.993144
# summarize model fit with tidiers
tidy(mod)
#> # A tibble: 3 × 5
#> term estimate std.error statistic p.value
#> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 Asym 9.94 0.0841 118. 0
#> 2 mid 12.0 0.0673 178. 0
#> 3 scal 1.99 0.0248 80.3 0
glance(mod)
#> # A tibble: 1 × 5
#> tau logLik AIC BIC df.residual
#> <dbl> <logLik> <dbl> <dbl> <int>
#> 1 0.5 -429.0842 864. 877. 497
augment(mod)
#> # A tibble: 500 × 4
#> x y .fitted .resid
#> <int> <dbl> <dbl> <dbl>
#> 1 1 0.0382 0.0399 -0.00171
#> 2 2 0.0682 0.0657 0.00250
#> 3 3 0.101 0.108 -0.00728
#> 4 4 0.209 0.177 0.0315
#> 5 5 0.303 0.289 0.0137
#> 6 6 0.435 0.469 -0.0332
#> 7 7 0.796 0.751 0.0448
#> 8 8 1.28 1.18 0.0982
#> 9 9 1.93 1.81 0.118
#> 10 10 2.61 2.67 -0.0671
#> # ℹ 490 more rows
相關用法
- R broom tidy.nls 整理 a(n) nls 對象
- R broom tidy.negbin 整理 a(n) negbin 對象
- R broom tidy.robustbase.glmrob 整理 a(n) glmrob 對象
- R broom tidy.acf 整理 a(n) acf 對象
- R broom tidy.robustbase.lmrob 整理 a(n) lmrob 對象
- R broom tidy.biglm 整理 a(n) biglm 對象
- R broom tidy.garch 整理 a(n) garch 對象
- R broom tidy.rq 整理 a(n) rq 對象
- R broom tidy.kmeans 整理 a(n) kmeans 對象
- R broom tidy.betamfx 整理 a(n) betamfx 對象
- R broom tidy.anova 整理 a(n) anova 對象
- R broom tidy.btergm 整理 a(n) btergm 對象
- R broom tidy.cv.glmnet 整理 a(n) cv.glmnet 對象
- R broom tidy.roc 整理 a(n) roc 對象
- R broom tidy.poLCA 整理 a(n) poLCA 對象
- R broom tidy.emmGrid 整理 a(n) emmGrid 對象
- R broom tidy.Kendall 整理 a(n) Kendall 對象
- R broom tidy.survreg 整理 a(n) survreg 對象
- R broom tidy.ergm 整理 a(n) ergm 對象
- R broom tidy.pairwise.htest 整理 a(n)pairwise.htest 對象
- R broom tidy.coeftest 整理 a(n) coeftest 對象
- R broom tidy.polr 整理 a(n) polr 對象
- R broom tidy.map 整理 a(n) Map對象
- R broom tidy.survexp 整理 a(n) survexp 對象
- R broom tidy.margins 整理 a(n) 邊距對象
注：本文由純淨天空篩選整理自等大神的英文原創作品 Tidy a(n) nlrq 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。