R Glm Vorhersage Binär Optionen

Mein IV ist ordinal (Likert-Scale 1 bis 5), mein DV ist binär (ja gegen nein). Ich berechnete GLM mit anschließender Differenzprüfung (glht). Zuerst behandelte ich die IV als stetige Zahl für einen Gesamteffekt: datasetIV. num lt - as. numeric (datasetIV) datasetDV. fac lt - as. factor (datasetDV) glmmodel lt-glm (DV. fac IV. num, datadataset, Familie Binomial (linklogit)) Zusammenfassung (Glmmodel) Dann habe ich das Nullmodell berechnet: glmmodel. null lt - glm (DV. fac 1, datadataset, family binomial (linklogit)) Zusammenfassung (glmmodel. null) anova (glmmodel, glmmodel. null , TestChisq) Aus AIC-Differenz und anova () kann ich sehen, dass die IV einen signifikanten Gesamteffekt auf das Modell hat. (Korrigieren) Jetzt habe ich angefangen, die IV als bestellten Faktor für die glht () zu behandeln, um nach Levelunterschieden in der IV zu suchen. DatasetIV. ord lt - as. ordered (datasetIV) glmmodel. ord lt - glm (DV. fac IV. ord, datadataset, family binomial (linklogit)) glhtresults lt - glht (glmmodel. ord, linfctmcp (IV. ordTukey)) Zusammenfassung (Glhtresults) Dieses letzte Ergebnis bekomme ich nicht. Meiner Meinung nach stimmt es nicht mit den Rohdaten überein. Wenn ich einen Blick auf die geplante Rohdaten habe (siehe unten), kann ich nicht glauben, dass es einen signifikanten Unterschied gab, z. B. Zwischen den Stufen 4 und 5 der IV, aber nicht zwischen den Stufen 1 und 5. Kann jemand auf die Störung hinweisen, die ich tue, ist das glht-Verfahren die richtige Wahl Vielen Dank, FlorianGeneralisierte Linearmodelle in R, Teil 1: Berechnung der vorhergesagten Wahrscheinlichkeit in Binär Logistische Regression von David Lillis, Ph. D. Ordinary Least Squares Regression bietet lineare Modelle von kontinuierlichen Variablen. Allerdings sind viele Daten von Interesse für Statistiker und Forscher nicht kontinuierlich und so müssen andere Methoden verwendet werden, um nützliche prädiktive Modelle zu schaffen. Der Befehl glm () dient dazu, generalisierte lineare Modelle (Regressionen) auf binären Ergebnisdaten, Zähldaten, Wahrscheinlichkeitsdaten, Proportionsdaten und viele andere Datentypen durchzuführen. In diesem Blog-Post erforschen wir die Verwendung von Rs glm () - Befehl auf einem solchen Datentyp. Schauen wir uns ein einfaches Beispiel an, wo wir binäre Daten modellieren. Im mtcars-Datensatz gibt die Variable vs an, ob ein Auto einen V-Motor oder einen geraden Motor hat. Wir wollen ein Modell erstellen, das uns hilft, die Wahrscheinlichkeit eines Fahrzeugs mit einem V-Motor oder einem geraden Motor mit einem Gewicht von 2100 lbs und einer Motorverdrängung von 180 Kubikzoll vorherzusagen. Zuerst passen wir das Modell: Wir verwenden die glm () - Funktion, enthalten die Variablen in der üblichen Weise und geben eine Binomialfehlerverteilung wie folgt an: Wir sehen aus den Schätzungen der Koeffizienten, die das Gewicht beeinflusst, positiv, während die Verschiebung a hat Leicht negativen Effekt. Die Modellausgabe unterscheidet sich etwas von der eines gewöhnlichen Kleinste-Quadrate-Modells. Ich werde die Ausgabe im nächsten Artikel ausführlicher erklären, aber jetzt können wir unsere Berechnungen fortsetzen. Denken Sie daran, unser Ziel ist es, eine vorhergesagte Wahrscheinlichkeit eines V-Motors zu berechnen, für bestimmte Werte der Prädiktoren: ein Gewicht von 2100 lbs und eine Motorverdrängung von 180 Kubikzoll. Um dies zu tun, erstellen wir einen Datenrahmen namens newdata, in dem wir die gewünschten Werte für unsere Vorhersage enthalten. Nun verwenden wir die Vorhersage () - Funktion, um die vorhergesagte Wahrscheinlichkeit zu berechnen. Wir schließen das Argument type8221response8221 ein, um unsere Vorhersage zu erhalten. Die vorhergesagte Wahrscheinlichkeit beträgt 0,24. Das war nicht so schwer In unserem nächsten Artikel. Ich werde mehr über die Ausgabe erfahren, die wir aus der glm () - Funktion bekommen haben. Über den Autor: David Lillis hat R an viele Forscher und Statistiker gelehrt. Seine Firma, Sigma Statistics und Research Limited. Bietet sowohl Online-Instruktion als auch face-to-face-Workshops auf R, und Codierung Dienstleistungen in R. David hält eine Doktorarbeit in angewandten Statistiken. Willst du Rs GLM-Funktion lernen In diesem sechsstündigen Workshop. Youll lernen, wie man glm () verwendet, um logistische probit Regressionen, poisson negative Binomial Regressionen und Gamma Regressionen zu spezifizieren .. und enthalten die Optionen für jeden einzelnen. Verwandte BeiträgeGeneralisierte Linearmodelle Siehe Hilfe (glm) für andere Modellierungsoptionen. Siehe Hilfe (Familie) für andere zulässige Link-Funktionen für jede Familie. Hier werden drei Subtypen von generalisierten linearen Modellen behandelt: logistische Regression, Poisson-Regression und Überlebensanalyse. Logistische Regression Logistische Regression ist nützlich, wenn Sie ein binäres Ergebnis aus einer Reihe von kontinuierlichen Prädiktorvariablen vorhersagen. Es wird häufig wegen diskriminierender Funktionsanalyse wegen seiner weniger restriktiven Annahmen bevorzugt. Logistische Regression, wobei F ein binärer Faktor ist und x1-x3 sind kontinuierliche prädiktoren passen lt-glm (F x1x2x3, datamydata, familybinomial ()) summary (fit) display results confint (fit) 95 cI für die koeffizienten exp (coef (fit) ) Exponentierte Koeffizienten exp (confint (fit)) 95 CI für exponentierte Koeffizienten prognostizieren (fit, typequotresponsequot) vorhergesagte Werte Residuen (fit, typequotdeviancequot) Residuen x, data mydata) wird die bedingte Dichteplot des binären Ergebnisses F auf dem kontinuierlichen x anzeigen Variable. Poisson Regression Poisson Regression ist nützlich bei der Vorhersage einer Outcome-Variable, die Zählungen aus einer Reihe von kontinuierlichen Prädiktor-Variablen. Poisson Regression wo Zählung ist ein Zähler und x1-x3 sind kontinuierliche Prädiktoren passen lt-glm (count x1x2x3, datamydata, familypoisson ()) Zusammenfassung (fit) Anzeige Ergebnisse Wenn Sie eine Überdispergierung haben (siehe, wenn Restabweichung ist viel größer als Freiheitsgrade ), Können Sie quasipoisson () anstelle von poisson () verwenden. Überlebensanalyse Die Überlebensanalyse (auch Ereignisverlaufsanalyse oder Zuverlässigkeitsanalyse genannt) umfasst eine Reihe von Techniken zur Modellierung der Zeit zu einem Ereignis. Die Daten können richtig zensiert werden - das Ereignis ist möglicherweise nicht bis zum Ende der Studie aufgetreten oder wir haben möglicherweise unvollständige Informationen über eine Beobachtung, aber wissen, dass bis zu einer bestimmten Zeit das Ereignis nicht aufgetreten ist (z. B. der Teilnehmer fiel aus der Studie in der Woche 10 war aber damals lebendig). Während generalisierte lineare Modelle typischerweise unter Verwendung der glm () - Funktion analysiert werden, wird die Überlebensanalyse typischerweise unter Verwendung von Funktionen aus dem Überlebenspaket durchgeführt. Das Überlebenspaket kann ein und zwei Stichprobenprobleme, parametrische beschleunigte Fehlermodelle und das Cox-Proportional-Gefahren-Modell behandeln. Daten werden typischerweise in die Formatstartzeit eingegeben. Zeit stoppen Und Status (1event aufgetreten, 0event nicht aufgetreten). Alternativ können die Daten im Format Zeit bis Ereignis und Status (1event aufgetreten, 0event nicht auftreten). Ein Status0 zeigt an, dass die Beobachtung richtig cencored ist. Die Daten werden vor der weiteren Analyse über die Surv () - Funktion in ein Surv-Objekt gebündelt. Survfit () wird verwendet, um eine Überlebensverteilung für eine oder mehrere Gruppen abzuschätzen. Survdiff () Tests für Unterschiede in den Überlebensverteilungen zwischen zwei oder mehr Gruppen. Coxph () modelliert die Gefahrenfunktion auf einer Reihe von Prädiktorvariablen. Mayo Clinic Lungenkrebs Datenbibliothek (Überleben) Erfahren Sie mehr über die Datensatz-Hilfe (Lunge) Erstellen eines Surv-Objekts survobj lt - mit (Lunge, Surv (Zeit, Status)) Überlebensverteilung der Gesamtprobe Kaplan-Meier Schätzer fit0 lt-survfit (Survobj 1, datalung) Zusammenfassung (fit0) plot (fit0, xlabquotSurvival Zeit in Daysquot, ylabquot Survivingquot, yscale100, mainquotSurvival Distribution (Gesamt) quot) Vergleichen Sie die Überlebensverteilungen von Männern und Frauen fit1 lt-survfit (survobj plot the survival distributions by Sex-Plot (fit1, xlabquotSurvival Zeit in Daysquot, ylabquot Survivingquot, yscale100, colc (quotredquot, quotbluequot), mainquotSurvival Distributionen nach Genderquot) Legende (quottoprightquot, titlequotGenderquot, c (quotMalequot, quotFemalequot), fillc (quotredquot, quotbluequot)) Test für Unterschied Zwischen männlichen und weiblichen Überlebenskurven (Logger-Test) survdd (survobj prognostizieren männlichen Überleben aus dem Alter und medizinischen Scores MaleMod lt-coxph (survobj ageph. ecogph. karnopat. karno, datalung, subsetsex1) Ergebnisse anzeigen MaleMod bewerten die proportionale Gefahren Annahme cox. zph (MaleMod) Siehe Thomas Lumleys R News Artikel über das Überlebenspaket für weitere Informationen. Weitere gute Quellen sind Mai Zhous Use R Software zu tun Survival-Analyse und Simulation und M. J. Crawleys Kapitel über Survival-Analyse. Üben