然而,glm需要一个额外的参数:family,它指定了结果变量的假设分布;在family中我们还需要指定链接函数。family的默认值是gaussian(link = "identity"),这导致了一个线性模型,相当于由lm指定的模型。在二元逻辑回归的情况下,glm要求我们指定一个带有logit链接的二项分布,即family = binomial(link = "logit") 。 glm(...
然而,glm需要一个额外的参数:family,它指定了结果变量的假设分布;在family中我们还需要指定链接函数。family的默认值是gaussian(link = "identity"),这导致了一个线性模型,相当于由lm指定的模型。在二元逻辑回归的情况下,glm要求我们指定一个带有logit链接的二项分布,即family = binomial(link = "logit") 。 glm(...
然而,glm需要一个额外的参数:family,它指定了结果变量的假设分布;在family中我们还需要指定链接函数。family的默认值是gaussian(link = "identity"),这导致了一个线性模型,相当于由lm指定的模型。在二元逻辑回归的情况下,glm要求我们指定一个带有logit链接的二项分布,即family = binomial(link = "logit") 。 glm(...
然而,glm需要一个额外的参数:family,它指定了结果变量的假设分布;在family中我们还需要指定链接函数。family的默认值是gaussian(link = "identity"),这导致了一个线性模型,相当于由lm指定的模型。在二元逻辑回归的情况下,glm要求我们指定一个带有logit链接的二项分布,即family = binomial(link = "logit") 。 glm(...
regIGlog = glm(y~x,family=inverse.gaussian(link="log"),data=base 还可以考虑一些Tweedie分布,甚至更一般 考虑使用线性链接函数在第一种情况下获得的预测 plot(x,y,pch=19) abline(regNId,col=darkcols[1]) abline(regPId,col=darkcols[2])
regIGlog = glm(y~x,family=inverse.gaussian(link="log"),data=base 还可以考虑一些Tweedie分布,甚至更一般 考虑使用线性链接函数在第一种情况下获得的预测 plot(x,y,pch=19) abline(regNId,col=darkcols[1]) abline(regPId,col=darkcols[2])
然而,glm需要一个额外的参数:family,它指定了结果变量的假设分布;在family中我们还需要指定链接函数。family的默认值是gaussian(link = "identity"),这导致了一个线性模型,相当于由lm指定的模型。在二元逻辑回归的情况下,glm要求我们指定一个带有logit链接的二项分布,即family = binomial(link = "logit") 。
offset = rep.int(0, nobs), family = gaussian(), control = list(), intercept =TRUE, singular.ok =TRUE)## S3 method for class 'glm'weights(object, type = c("prior","working"),...) 参数 细节 典型的预测变量具有response ~ terms形式,其中response是(数字)响应向量,terms是一系列指定respons...
然而,glm需要一个额外的参数:family,它指定了结果变量的假设分布;在family中我们还需要指定链接函数。family的默认值是gaussian(link = "identity"),这导致了一个线性模型,相当于由lm指定的模型。在二元逻辑回归的情况下,glm要求我们指定一个带有logit链接的二项分布,即family = binomial(link = "logit") 。
glm(formula, family = gaussian, data, weights, subset, na.action, start = NULL, etastart, mustart, offset, control = list(...), model = TRUE, method = "glm.fit", x = FALSE, y = TRUE, singular.ok = TRUE, contrasts = NULL, ...) ...