Question

Answer 1

假设glm1是您的模型，您的样本大小为n = 100。

以下是一些合适的措施：

R2<-1-((glm1$deviance/-2)/(glm1$null.deviance/-2)) cat("mcFadden R2=",R2,"\n")

R2<-1-exp((glm1$deviance-glm1$null.deviance)/2*n) cat("Cox-Snell R2=",R2,"\n")

R2<-R2/(1-exp((-glm1$null.deviance)/n)) cat("Nagelkerke R2=",R2,"\n")

AIC<- glm1$deviance+2*2 cat("AIC=",AIC,"\n")

通过这种方式，您可以概览计算GoF测量的方法。

Answer 2

虽然我不是专家，但物流回归模型的模型拟合统计数据在解释上并不像线性回归那样直接。假设您有二元响应，我发现一种有用的方法是按预测概率间隔（0-10％，10％-20％，...... 90％-100％）对数据进行分组，并比较实际概率预测的。这非常有用，因为您的模型通常会在低端预测或在高端预测。这也可能导致更好的模型。

Answer 3

看看pscl软件包。但是请注意，缺少数据：

library("MASS","pscl")

admit_2 <- admit
admit_2$gre.quant[sample(1:106, 45)] <- NA

m0 <- MASS::polr(score ~ gre.quant + gre.verbal + ap + pt + female,
              Hess=TRUE,
              data=admit_2,
              method="probit")

m1 <- MASS::polr(score ~ gre.quant + gre.verbal + ap + pt + female,
             Hess=TRUE,
             data= na.omit(admit_2),
             method="probit")

pR2(m0)
     llh      llhNull           G2     McFadden         r2ML         r2CU 
 -57.4666891 -151.0299826  187.1265870    0.6195015    0.9534696    0.9602592 

pR2(m1)
    llh     llhNull          G2    McFadden        r2ML        r2CU 
-57.4666891 -83.3891852  51.8449922   0.3108616   0.5725500   0.6123230

另外，在这里看看： https://stats.stackexchange.com/questions/8511/how-to-calculate-pseudo-r2-from-rs-logistic-regression

5 个答案: