本文介绍了R语言中如何进行逻辑回归分析，包括使用glm函数、理解模型假设、处理过度分散问题、计算伪R平方值以及进行残差分析。通过示例详细展示了逻辑回归模型的构建、系数解释和模型评估。
原标题：R语言逻辑回归、方差分析、伪R平方分析
原文链接：http://tecdat.cn/?p=9589
目录
怎么做测试
假设条件
并非所有比例或计数都适用于逻辑回归分析
过度分散
伪R平方
测试p值
Logistic回归示例
模型拟合
系数和指数系数
方差分析
伪R平方
模型的整体p值
标准化残差图
绘制模型
Logistic回归示例
模型拟合
系数和指数系数
方差分析
伪R平方
模型的整体p值
标准化残差图
绘制模型
Logistic回归示例
怎么做测试
Logistic回归可以使用glm (广义线性模型)函数在R中执行 。该函数使用链接函数来确定要使用哪种模型，例如逻辑模型，概率模型或泊松模型。
假设条件
广义线性模型的假设少于大多数常见的参数检验。观测值仍然需要独立，并且需要指定正确的链接函数。因此，例如应该了解何时使用泊松回归以及何时使用逻辑回归。但是，不需要数据或残差的正态分布。
并非所有比例或计数都适用于逻辑回归分析
一个不采用逻辑回归的例子中，饮食研究中人们减肥的体重无法用初始体重的比例来解释作为“成功”和“失败”的计数。在这里，只要满足模型假设，就可以使用常用的参数方法。
过度分散
使用广义线性模型时要注意的一个潜在问题是过度分散。当模型的残余偏差相对于残余自由度较高时，就会发生这种情况。这基本上表明该模型不能很好地拟合数据。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
