Понимание glm$residuals и пересдачи экзамена (glm)
Можете Вы говорить мне, что возвращается glm$residuals и пересдачей экзамена (glm), где glm является объектом квази-Пуассона. например, Как я создал бы их использующий glm$y и glm$linear.predictors.
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
пересдача экзамена (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
2 ответа
Вызов остатка (модель) по умолчанию будет использовать остатки отклонения, тогда как модель $ остаток будет дать вам рабочие остатки. Из-за функции связи не существует единого определения остатка модели. Различают отклонения, рабочие, частичные, Пирсоновские остатки и остатки ответа. Поскольку они полагаются только на среднюю структуру (а не на дисперсию), остатки для квазипуассона и пуассона имеют одинаковую форму. Вы можете взглянуть на функцию Остаточные. Glm для получения подробной информации, но вот пример:
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)
Я не знаю достаточно о распределениях Пуассона и квази-Пуассона, чтобы ответить на ваш вопрос так глубоко, как вы просили (т.е.. точное уравнение, которое преобразует переменные в остатки с помощью модели), но если какая-то путаница связана с тем, какие типы остатков используются и почему две команды дают разные ответы, это может помочь:
resid() по умолчанию использует тип "deviance" в R. Однако glm() присваивает различные остатки вектору $residuals.
Если вы используете квазипуассоновское семейство, glm() присвоит остаткам рабочий тип, тогда как resid() по умолчанию задает тип девиантности.
Чтобы проверить это, вы можете использовать:
resid(glm,type="working")
и
glm$residuals
и это должно дать вам тот же ответ (по крайней мере, так было на наборе данных, который я использовал).
Согласно R, рабочие остатки - это: "остатки на последней итерации подгонки IWLS"
Если вы посмотрите книгу: "Generalized Linear models and extensions" (by Hardin and Hilbe) на googlebooks, вы можете получить доступ к разделу 4.5, в котором объясняются различные типы остатков.