python 卡方分布值_饱和模型与偏差计算R方与p值

引言： logistic回归中，我们了解到R ² 和P值的计算方法。 但josh starmer老师指出，广义线性模型中R ² 更常见的计算方法还包括饱和模型(参考：Logistic回归：R2与P-value的计算 )。 在Logistic模型中，LL(saturated model)=0，故可以忽略LL(saturated model)； 但其在其他类型广义线性模型中并不一定为0，不能忽略LL(saturated model)。

1. 零模型、创建的模型、饱和模型

1. 零模型(null model): 含一个参数的模型，也可记作空模型。假设在如下的正态分布数据中，标准差已知，故我们只需要估计均值以拟合该正态分布曲线。仅含1个参数(一个均值)的模型是最简单的模型，故称该模型为零模型。基于零模型的似然值与似然对数值计算如下：似然值=0.03；似然值的对数值=-3.51。似然值和似然值对数值的计算可参考先前的笔记：最大似然估计法拟合logistic回归曲线；概率与似然值。

2. 创建的模型(proposed model)：在同样的数据中，标准差已知，通过估计2个均值参数拟合两条正态分布曲线的含2个参数的模型。这一模型是我们根据数据的实际情况创建的个性化模型，参数个数介于零模型与饱和模型之间，是我们感兴趣的目标模型。基于该模型的似然值与似然对数值计算如下：似然值=3.57；似然值的对数值=1.27。

3. 饱和模型：每个数据点对应一个参数的超级模型，称为饱和模型。该模型所含的参数数量是我们所能估计参数的最大数量。在饱和模型中，似然值与似然对数值计算如下：似然值=1291.5；似然值的对数值=7.16。