R语言代写回归中的Hosmer-Lemeshow拟合优度检验

原文链接：http://tecdat.cn/?p=6166

 

在依赖模型得出结论或预测未来结果之前，我们应尽可能检查我们假设的模型是否正确指定。也就是说，数据不会与模型所做的假设冲突。对于二元结果，逻辑回归是最流行的建模方法。在这篇文章中，我们将看一下 Hosmer-Lemeshow逻辑回归的拟合优度检验。

 

Hosmer-Lemeshow拟合优度检验

Hosmer-Lemeshow拟合优度检验是基于根据预测的概率或风险将样本分开。具体而言，基于估计的参数值，对于样本中的每个观察，基于每个观察的协变量值计算概率。

 

然后根据样本的预测概率将样本中的观察分成g组（我们回过头来选择g）。假设（通常如此）g = 10。然后第一组由具有最低10％预测概率的观察组成。第二组由预测概率次之小的样本的10％等组成。

 在实践中，只要我们的一些模型协变量是连续的，每个观测将具有不同的预测概率，因此预测的概率将在我们形成的每个组中变化。为了计算我们预期的观察数量，Hosmer-Lemeshow测试取组中预测概率的平均值，并将其乘以组中的观察数。测试也执行相同的计算，然后计算Pearson拟合优度统计量

 

   

选择组的数量

就我所见，关于如何选择组数g的指导很少。Hosmer和Lemeshow的模拟结论是基于使用的，建议如果我们在模型中有10个协变量 。

直观地说，使用较小的g值可以减少检测错误规范的机会。 

 

R 

首先，我们将使用一个协变量x模拟逻辑回归模型中的一些数据，然后拟合正确的逻辑回归模型。 

n < -  100
x < -  rnorm（n）
xb < -  x
pr < -  exp（xb）/（1 + exp（xb））
y < -  1 *（runif（n）<pr）
mod < -  glm（y~x，family = binomial）

接下来，我们将结果y和模型拟合概率传递给hoslem.test函数，选择g = 10组：

        Hosmer and Lemeshow goodness of fit (GOF) test

data:  mod$y, fitted(mod)
X-squared = 7.4866, df = 8, p-value = 0.4851