您能否告诉我 glm $ residuals 和 resid(glm)返回的内容,其中glm是拟泊松对象。例如我将如何使用glm $ y和glm $ linear.predictors创建它们。
glm $ residuals
n missing unique Mean .05 .10 .25 .50 .75 .90 .95
37715 10042 2174 -0.2574 -2.7538 -2.2661 -1.4480 -0.4381 0.7542 1.9845 2.7749
lowest : -4.243 -3.552 -3.509 -3.481 -3.464
highest: 8.195 8.319 8.592 9.089 9.416
resid(glm)
n missing unique Mean .05 .10 .25
37715 0 2048 -2.727e-10 -1.0000 -1.0000 -0.6276
.50 .75 .90 .95
-0.2080 0.4106 1.1766 1.7333
lowest : -1.0000 -0.8415 -0.8350 -0.8333 -0.8288
highest: 7.2491 7.6110 7.6486 7.9574 10.1932
最佳答案
调用resid(model)将默认为偏差残差,而model $ resid将为您提供工作残差。由于具有链接功能,因此对模型残差没有唯一的定义。存在偏差,工作残差,部分皮尔逊残差和响应残差。因为这些仅依赖于均值结构(而不是方差),所以拟泊松和泊松的残差具有相同的形式。您可以看一下residuals.glm
函数以了解详细信息,但这是一个示例:
counts <- c(18,17,15,20,10,20,25,13,12)
outcome <- gl(3,1,9)
treatment <- gl(3,3)
glm.D93 <- glm(counts ~ outcome + treatment, family=quasipoisson())
glm.D93$resid
#working
resid(glm.D93,type="working")
(counts - glm.D93$fitted.values)/exp(glm.D93$linear)
#deviance
resid(glm.D93,type="dev")
fit <- exp(glm.D93$linear)
poisson.dev <- function (y, mu)
sqrt(2 * (y * log(ifelse(y == 0, 1, y/mu)) - (y - mu)))
poisson.dev(counts,fit) * ifelse(counts > fit,1,-1)
#response
resid(glm.D93,type="resp")
counts - fit
#pearson
resid(glm.D93,type="pear")
(counts - fit)/sqrt(fit)
关于r - 了解glm $ residuals和resid(glm),我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/2531489/