Generalized linear models (GLMs) ex

Generalized linear models (GLMs) extend the linear modeling capability of R to scenarios that involve non-normal error distributions or heteroscedasticity. All other classic assumptions (particularly independent observations) still apply. The idea here is that linear functions of the predictor variables are obtained by transforming the right side of the equation ( f(x) ) by a link function. The data are then fit in this transformed scale (using an iterative routine based on least squares), but the expected variance is calculated on the original scale of the predictor variables. Simple examples of link functions are log(y) [which linearizes exp(x)], sqrt(y) [x^2], and 1/y [1/x]. More particularly, GLMs work for the so-called 'exponential' family of error models: Poisson, binomial, Gamma, and normal. Each of these has a standard (default) link function:

ผลลัพธ์ (ไทย) 1:

แบบจำลองเชิงเส้นเมจแบบทั่วไป (GLMs) ขยายความสามารถในการสร้างโมเดลเชิงเส้นของ R กับสถานการณ์ที่เกี่ยวข้องกับการกระจายปกติไม่ใช่ข้อผิดพลาดหรือ heteroscedasticity ทั้งหมดอื่น ๆ คลาสสิกสมมติฐาน (สังเกตโดยเฉพาะอย่างยิ่งอิสระ) ยังคงใช้ ความคิดต่อได้ว่า ฟังก์ชันเชิงเส้นของตัวแปรจำนวนประตูได้รับ โดยเปลี่ยนด้านขวาของสมการ (f(x)) โดยฟังก์ชันเชื่อมโยง ข้อมูลแล้วจะพอดีขนาดนี้แปรรูป (ใช้เป็นประจำซ้ำตามกำลังสองน้อยที่สุด), แต่ผลต่างคาดคำนวณจากมาตราส่วนเดิมของตัวแปร predictor เรื่องฟังก์ชันเชื่อมโยงอย่าง log(y) [ซึ่ง linearizes exp(x)] , sqrt(y) [x ^ 2], และ 1/y [1 / x] เพิ่มเติมโดยเฉพาะ GLMs งานสำหรับครอบครัว 'เนน' เรียกว่ารุ่นข้อผิดพลาด: ปัว ทวินาม แกมมา และปกติ แต่ละเหล่านี้มีมาตรฐาน (เริ่มต้น) เชื่อมโยงฟังก์ชัน:

ผลลัพธ์ (ไทย) 2:

ตัวแบบเชิงเส้นทั่วไป (GLMs) ขยายความสามารถในการสร้างแบบจำลองเชิงเส้นของ R เพื่อสถานการณ์ที่เกี่ยวข้องกับการกระจายความผิดพลาดที่ไม่ปกติหรือ heteroscedasticity ทั้งหมดสมมติฐานคลาสสิกอื่น ๆ (โดยเฉพาะอย่างยิ่งการสังเกตอิสระ) ยังคงใช้ ความคิดที่นี่คือฟังก์ชั่นเชิงเส้นของตัวแปรจะได้รับโดยการเปลี่ยนทางด้านขวาของสมการ (f (x)) โดยฟังก์ชั่นการเชื่อมโยง ข้อมูลจะถูกแล้วพอดีกับขนาดนี้เปลี่ยน (ใช้ประจำซ้ำขึ้นอยู่กับสองน้อยที่สุด) แต่ความแปรปรวนที่คาดว่าจะมีการคำนวณในระดับเดิมของตัวแปร ตัวอย่างง่ายๆของฟังก์ชั่นการเชื่อมโยงเข้าสู่ระบบ (y) [ซึ่ง linearizes ประสบการณ์ (x)] sqrt (y) [x ^ 2] และอีก 1 y / [1 / x] อื่น ๆ โดยเฉพาะอย่างยิ่ง GLMs ทำงานให้กับสิ่งที่เรียกว่า 'แทน' ครอบครัวของรูปแบบข้อผิดพลาด: Poisson, ทวินามแกมมาและปกติ แต่ละเหล่านี้มีมาตรฐาน (เริ่มต้น) ฟังก์ชั่นการเชื่อมโยง:

ผลลัพธ์ (ไทย) 3:

ตัวแบบเชิงเส้นทั่วไป ( glms ) ขยายเชิงเส้นแบบจำลองความสามารถของ R กับสถานการณ์ที่เกี่ยวข้องกับการแจกแจงปกติหรือข้อผิดพลาดที่ไม่ heteroscedasticity . สมมติฐานคลาสสิกอื่น ๆ ( สังเกตอิสระโดยเฉพาะอย่างยิ่ง ) ยังใช้ ความคิดที่นี่คือฟังก์ชันเชิงเส้นของตัวแปรตัวแปรได้โดยการเปลี่ยนด้านขวาของสมการ f ( x ) ) โดยการเชื่อมโยงฟังก์ชันข้อมูล แล้วพอดีในนี้เปลี่ยนมาตราส่วน ( ใช้ซ้ำตามปกติตาม Least Squares ) แต่คาดว่าความแปรปรวนมีการคำนวณในระดับเดิมของตัวแปรตัวแปร ตัวอย่างง่าย ๆของฟังก์ชั่นการเชื่อมโยงเข้าสู่ระบบ ( Y ) [ ซึ่ง linearizes exp ( x ) ] , SQRT ( Y ) [ x
2 ] 1 Y / [ 1 / 10 ] เพิ่มเติม โดยเฉพาะอย่างยิ่ง glms ทำงานแทนครอบครัว ' เรียกว่า ' รุ่นข้อผิดพลาด : ปัวซง ทวินามแกมมา และปกติ แต่ละเหล่านี้มีมาตรฐาน ( ค่าปริยาย ) ฟังก์ชันการเชื่อมโยง