代码之家 › 专栏 › 技术社区 › luciano

使用MuMIn的QAIC秩模型

mumin information-theory logistic-regression r

luciano · 技术社区 · 10 年前

我需要使用QAIC标准对候选模型进行排名。这是我尝试过的:

library(MuMIn)
model_global <-  glm(vs ~ mpg + disp + wt, family = quasibinomial, mtcars)
model_1 <-  glm(vs ~ mpg, family = quasibinomial, mtcars)
model_2 <-  glm(vs ~ disp, family = quasibinomial, mtcars)
model_3 <-  glm(vs ~ wt, family = quasibinomial, mtcars)
model_null <-  glm(vs ~ 1, family = quasibinomial, mtcars)

mod.sel(model_global, model_1, model_2, model_3, model_null, rank="QAIC", chat=deviance(model_global) / df.residual(model_global))

这将返回以下错误:

Error in formula.default(x) : invalid formula

如何使用QAIC对上述模型进行排名?

2 回复 | 直到 7 年前

Henrik plannapus 10 年前

您需要提供 rank.args 作为一个 list (参见 ?model.sel )

library(MuMIn)
model.sel(model_global, model_1, model_2, model_3, model_null,
          rank = QAIC,
          rank.args = list(chat = deviance(model_global) / df.residual(model_global)))

在您提供的(漂亮的小)示例中, chat 恰好是 < 1 ,生成警告,并且 闲聊 设置为1。

# Model selection table 
#              (Intrc)  disp    mpg    wt     df logLik  QAIC delta weight
# model_global -21.9000 -0.0403 0.6470  5.332 4   -8.844 25.7  0.00 0.569 
# model_2        4.1380 -0.0216               2  -11.348 26.7  1.01 0.344 
# model_1       -8.8330         0.4304        2  -12.767 29.5  3.85 0.083 
# model_3        5.7150                -1.911 2  -15.683 35.4  9.68 0.004 
# model_null    -0.2513                       1  -21.930 45.9 20.17 0.000 
# Warning messages:
#   1: In rank(x, chat = 0.631714762477434) :
#   'chat' given is < 1, increased to 1
# ..snip..

Kamil BartoÅ 10 年前

这真的都在手册中,所以请先阅读( ?model.sel 和 ?QAIC ). 请注意代码中的两个问题:

参数 QAIC 在里面 model.sel 在 rank.args 参数,而不是直接。
的模型准- 家庭不报告计算QAIC所需的可能性。看见笔记在里面 ?阿拉伯联合酋长国 和 example(QAIC) 让黑客来解决这个问题。

推荐文章

NAMAN SHUKLA · 如何在Logistic回归中找到Logistic/sigmoid函数参数

7 年前

Pablo Gonzalez · CNTK c#逻辑回归w和b变量值

7 年前

efeatikkan · Python-Numpy逻辑回归

7 年前

Miguel · 绘制逻辑回归非标度值

7 年前

James · 神经网络(无隐藏层)与逻辑回归?

7 年前

Hadsga · 模型中存在错误。框架默认值(Terms,newdata,na.action=na.action,xlev=object$xlevels):因子X有新的级别

7 年前

lak3567bo · R logistic回归

7 年前

Scott Nelson · 成本函数和梯度似乎在起作用,但很简单。优化函数不是

7 年前

StephenB · 因子变量的边际效应

8 年前

Uttara · SAS中logistic回归阈值的改变

9 年前