Süpürge :: augment function

kullanarak yanıt skalasında öngörülen değerler elde ediliyormodelini R numaralı telefona uyguluyorum vekullanılarak yanıtlanan değerler predict.glm(object=fm1, type="response") kullanılarak yanıtlanan değerler elde edilebilir. augment işlevini kullanarak broom paketinden yanıt ölçeğinde öngörülen değerleri nasıl alacağımı merak ediyorum. Minimum çalışma örneğim aşağıda verilmiştir. Herhangi bir yardım çok takdir edilecektir. genelleştirilmiş doğrusal modeli için teşekkürlerSüpürge :: augment function

Dilution <- c(1/128, 1/64, 1/32, 1/16, 1/8, 1/4, 1/2, 1, 2, 4) 
NoofPlates <- rep(x=5, times=10) 
NoPositive <- c(0, 0, 2, 2, 3, 4, 5, 5, 5, 5) 
Data <- data.frame(Dilution, NoofPlates, NoPositive) 


fm1 <- glm(formula=NoPositive/NoofPlates~log(Dilution), 
      family=binomial("logit"), data=Data, weights=NoofPlates) 
predict.glm(object=fm1, type="response") 
# 1   2   3   4   5   6   7   8   9   10 
# 0.02415120 0.07081045 0.19005716 0.41946465 0.68990944 0.87262421 0.95474066 0.98483820 0.99502511 0.99837891 

library(broom) 
broom::augment(x=fm1) 

# NoPositive.NoofPlates log.Dilution. X.weights. .fitted .se.fit  .resid  .hat .sigma 
# 1     0.0 -4.8520303   5 -3.6989736 1.1629494 -0.4944454 0.15937234 0.6483053 
# 2     0.0 -4.1588831   5 -2.5743062 0.8837030 -0.8569861 0.25691194 0.5662637 
# 3     0.4 -3.4657359   5 -1.4496388 0.6404560 1.0845988 0.31570923 0.4650405 
# 4     0.4 -2.7725887   5 -0.3249714 0.4901128 -0.0884021 0.29247321 0.6784308 
# 5     0.6 -2.0794415   5 0.7996960 0.5205868 -0.4249900 0.28989252 0.6523116 
# 6     0.8 -1.3862944   5 1.9243633 0.7089318 -0.4551979 0.27931425 0.6486704 
# 7     1.0 -0.6931472   5 3.0490307 0.9669186 0.6805552 0.20199632 0.6155754 
# 8     1.0  0.0000000   5 4.1736981 1.2522190 0.3908698 0.11707018 0.6611557 
# 9     1.0  0.6931472   5 5.2983655 1.5498215 0.2233227 0.05944982 0.6739965 
# 10     1.0  1.3862944   5 6.4230329 1.8538108 0.1273738 0.02781019 0.6778365 
# .cooksd .std.resid 
# 1 0.0139540988 -0.5392827 
# 2 0.0886414317 -0.9941540 
# 3 0.4826245827 1.3111391 
# 4 0.0022725303 -0.1050972 
# 5 0.0543073747 -0.5043322 
# 6 0.0637954916 -0.5362006 
# 7 0.0375920888 0.7618349 
# 8 0.0057798939 0.4159767 
# 9 0.0008399932 0.2302724 
# 10 0.0001194412 0.1291827

kaynak

2015-12-31 MYaseen208

Peki ya süpürge :: augment (x = fm1, newdata = Data) '? –

@ RomanLuštrik, 'broom :: augment (x = fm1, newdata = Data)', broom :: augment (x = fm1) 'ile aynı takılı değerleri verir. Düşüncesi olan var mı. – MYaseen208

Haklısınız. Sanırım bir kayıp yaşıyorum ve "yanıt skalasında tahmin edilen değerler" ile ne kastettiğinizden emin değilim. Bunun için başka bir salıncak yapacağım. Ne hakkında süpürge :: augment (x = fm1, newdata = Veri, type.predict = "response") '? –

, matematik çıkması için sırayla, model link function kullanılarak dönüştürülmüş olması gerekir. Gauss modeli için bu, kimlik işlevidir, fakat lojistik regresyon için, bir logit fonksiyonu kullanırız (probit olabilir, bir zil çalar mı?). Bu, "ham" öngörülen değerleri alabileceğiniz veya dönüştürülebileceğiniz anlamına gelir. Bu nedenle, ?predict.glmtype bağımsız değişkeni sunar, bu da değerini augment içinde çevirir.

broom::augment(x=fm1, newdata = Data, type.predict = "response")

kaynak

2015-12-31 20:49:28

Mantıklı olun, ama nasıl bir argüman olduğunu biliyorsunuz 'type.predict = "response" '. "Süpürge :: augment" belgelerinde herhangi bir yerde belirtilmemiş. – MYaseen208

'augment.lm' içinde (muhtemelen bir takma ad olmalıdır, bu nedenle? Augment.glm' de onu getirir ...) –

Yararlı yorum için teşekkürler @BenBolker. – MYaseen208

cevap

İlgili konular