hariç tut Örnek 1 yanıt değişkeni, Y
ve 5 öngörücüm var, X1-X5
. Bir glm modeli uydurmaya çalışan ve şöyle modelinde sabit X5
ile sapma farkını hesaplayarak am"for" döngüsündeki bir sabit değişkeni
ind_var <- names(dat)[substr(names(dat),1,1)=="X"]
results <- data.frame()
for (i in ind_var)
{
glm1 <- glm(as.formula(paste("Y~X5+",i)), family=binomial, data=dat)
dDeviance <- with(glm1,(null.deviance-deviance))
df <- data.frame(ind_var=i, diff=dDeviance)
results <- rbind(results, df)
}
Soru:
1) Nasıl X5
dışlamak için döngü i
2) Modelde sabit değişken nasıl eklenir (burada X5
). Yukarıdaki gibi modele X5
yapıştırdığımda sonuç yanlıştır. Burada, macun fonksiyonu ile modeli kontrol etmek için manuel olarak yapıyorum, 99 df
ile sadece 1 katsayı olduğunu görebilirsiniz. Ben Y~X5+X1
ile normal modele inanıyorum ben 97 df
ile 3 katsayıları (intercept dahil olmak üzere) olmalıdır.
mod1 <- glm(as.formula(paste("Y~X5+",X1)), family=binomial, data=dat)
mod1
Call: glm(formula = as.formula(paste("Y~X5+", X1)), family = binomial,
data = dat)
Coefficients:
X5
0.02581
Degrees of Freedom: 100 Total (i.e. Null); 99 Residual
Null Deviance: 138.6
Residual Deviance: 138.6 AIC: 140.6
Her türlü öneri çok beğenilmektedir.
Bu tamamen bana açık değildir. 'Ind_var' değişken isimlerini içeren bir değişken mi? Eğer öyleyse, soru 1'i cevaplamak için, bu 'X5'i vektörden kaldırarak bunu çözemez misiniz? Soru 2 için neden tam olarak yanlıştır? Sonuçları ve beklenen sonuçları burada gösterebilir misiniz? – Laterow
Yorumlarınız için teşekkürler @Laterow. Önceki yazımda bazı bilgiler ekledim. Ind_var hakkında, bunu diğer değişkenlerle de tekrarlamam gerekiyor (diğerleri X1/X2/X3/X4 sabit değişken olarak). Ancak, çözümü bulamadıysam, o zaman el ile silmek zorunda kalacağım. – Shima