Question

我使用nlme中的gls来适应这个模型：

require(nlme)

set.seed(101)
mp <-data.frame(year=1990:2010)
N <- nrow(mp)

mp <- within(mp,
     {
         wav <- rnorm(N)*cos(2*pi*year)+rnorm(N)*sin(2*pi*year)+5
         wow <- rnorm(N)*wav+rnorm(N)*wav^3
     })

m01 <- gls(wow~poly(wav,3), data=mp, correlation = corARMA(p=1))

我想计算任何适合度的度量，如伪R平方：可以推荐哪一个？以及如何计算它？

由于

Answer 1

这里有一些伪R平方

R2 <- cor(mp$wow,predict(m01))^2

R2

R2.1 <- 1 - with(mp, (sum((wow-predict(m01))^2)/sum((wow-mean(wow))^2)))

R2.1

McFadden伪R2

m00 <- gls(wow~1, data=mp, correlation = corARMA(p=1))

R2.n <- 1-(as.numeric(logLik(m01)/logLik(m00)))

R2.n

但我不认为哪种更适合评估这种模型的适合度。

Answer 2

您需要有某种基线进行比较：

> summary(m01)
Generalized least squares fit by REML
  Model: wow ~ poly(wav, 3) 
  Data: mp 
       AIC      BIC    logLik
  226.5434 231.5427 -107.2717

 m01 <- gls(wow~1, data=mp, correlation = corARMA(p=1))
> summary(m01)
Generalized least squares fit by REML
  Model: wow ~ 1 
  Data: mp 
       AIC     BIC    logLik
  256.5048 259.492 -125.2524

非线性拟合的问题是平均值不再是“基线”，而是R平方度量假设。

Answer 3

rcompanion::nagelkerke ()计算三个不同的伪R²值。该函数接受通过nlme::gls拟合的模型。

Answer 4

假设我正确理解你的问题，

summary(m01)会给你你想要的东西吗？ ??fit会为您提供进一步的建议。

如何从R中的nlme包装中装有gls的模型计算伪R平方

4 个答案: