我有很多关于实验室内事物发展的数据。这涉及不同的收集站点信息和不同的处理。
我的问题：分组（地点和治疗）是否对成年男性与女性的性别比例产生影响？我可以用GLM解决这个问题吗？
[我不知道我投入了多少性别，这是随机的，有些少年在发育过程中死亡，而我只是对成年人进行了性交]
我按照本教程，使用GLM来调查性别比例： http://www.simonqueenborough.info/R/stats-basic/glm.html
这是我的数据和代码：
mo<-"Temp Locality Females Males
A APR 88 110
B APR 101 97
C APR 85 94
A ARS 65 69
B ARS 57 78
C ARS 54 76
A RMO 103 90
B RMO 97 101
C RMO 82 78
A RPV 89 92
B RPV 98 86
C RPV 64 76
A SJU 66 63
B SJU 57 66
C SJU 16 17
A TLC 45 46
B TLC 41 43
C TLC 27 44
A TPN 25 20
B TPN 22 25
C TPN 16 22"
data <- read.table(text=mo, header = TRUE)
y<-cbind(data$Males,data$Females)
model<-glm(y~data$Temp+data$Locality, family=binomial)
summary(model)
#results of summary (model)
Call:
glm(formula = y ~ sexy$Temp + sexy$Locality, family = binomial)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.8231 -0.5549 -0.2398 0.5038 1.2954
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.03839 0.09885 0.388 0.698
sexy$TempB 0.03032 0.09093 0.333 0.739
sexy$TempC 0.14538 0.09818 1.481 0.139
sexy$LocalityARS 0.14092 0.13098 1.076 0.282
sexy$LocalityRMO -0.13872 0.11938 -1.162 0.245
sexy$LocalityRPV -0.07783 0.12213 -0.637 0.524
sexy$LocalitySJU -0.01914 0.14600 -0.131 0.896
sexy$LocalityTLC 0.07243 0.15286 0.474 0.636
sexy$LocalityTPN -0.03022 0.19444 -0.155 0.877
从两个模型摘要中，我发现性别比率与温度或地点无显着差异。这是真的吗？ GLM是否合适或是否有另一种方法？
答案 0 :(得分：0)
这里不是问题......但无论如何我都会回答。
你的模型没有意义。二项式模型应具有1或0因变量。对于女性或男性（1或0）的每个单独观察，使用二项式模型的问题是，温度或局部影响观察女性或男性的概率＆＃34;。因此，不是对女性的数量与男性的数量进行建模，而是根据温度/地点的影响模拟在任何给定点观察女性或男性的概率。
您可以通过创建男性/女性的因变量或反之亦然来明确建模比率，并在线性回归模型中使用它。但这可能是不明智的。线性框架中的建模比例可以是反保守的，特别是如果比例偏向接近1.但如果你的比例在0：1之间分布良好并且不会偏向接近1，那么它可能不是那么糟糕（尽管它可能是＃39对于建模比例来说，仍然是一个不太好的方式）。
我会考虑重新格式化您的数据，以便您可以在二项框架中实际建模，就像您最初的想法一样。二项式模型的建模逻辑与您想要的问题相对接近（影响我观察男性或女性的概率是什么）？只需制作一个数据框，其中包含1次温度观察和1次性别观察，每次观察性别（编码为1或0（例如，男性== 1，女性== 0））并在二项式/逻辑中对其进行建模框架。
如果你想看看温度/地点差异，你可以做第二个二分模型的死亡而不是死亡。影响了成年期的发展。
另外 - 如果您有兴趣解释不同温度/地点的效果指示等，您需要对您的分类预测因子进行对比。