There are a few things to explain h

There are a few things to explain here. First, the function is called glm and I have assigned its value to an object called lrfit (for logistic regression fit). The first argument of the function is a model formula, which defines the response and linear predictor.

With binomial data the response can be either a vector or a matrix with two columns.

If the response is a vector it can be numeric with 0 for failure and 1 for success, or a factor with the first level representing "failure" and all others representing "success". In these cases R generates a vector of ones to represent the binomial denominators.
Alternatively, the response can be a matrix where the first column is the number of "successes" and the second column is the number of "failures". In this case R adds the two columns together to produce the correct binomial denominator.
Because the latter approach is clearly the right one for us I used the function cbind to create a matrix by binding the column vectors containing the numbers using and not using contraception.

Following the special symbol ~ that separates the response from the predictors, we have a standard Wilkinson-Rogers model formula. In this case we are specifying main effects of age, education and wantsMore. Because all three predictors are categorical variables, they are treated automatically as factors, as you can see by inspecting the results:

ผลลัพธ์ (ไทย) 1:

มีบางสิ่งที่อธิบายที่นี่ ครั้งแรก ฟังก์ชันถูกเรียก glm และได้กำหนดค่าของวัตถุที่เรียกว่า lrfit (สำหรับการถดถอยโลจิสติกพอดี) อาร์กิวเมนต์แรกของฟังก์ชันเป็นสูตรรุ่น ที่กำหนดตอบสนองและผู้ทายผลเชิงทวินามข้อมูล การตอบสนองสามารถเป็นเวกเตอร์หรือเมตริกซ์ที่ มีสองคอลัมน์ถ้า เวกเตอร์สามารถการตอบสนองเป็นเลข 0 สำหรับความล้มเหลวและความสำเร็จ 1 หรือตัวคูณกับระดับแรกที่แสดงถึง "ความล้มเหลว" และอื่น ๆ ทั้งหมดแสดงถึง "ความสำเร็จ" ในกรณีนี้ R สร้างเวกเตอร์ของคนถึง denominators ทวินามหรือ การตอบสนองสามารถเป็นเมทริกซ์ที่หมายของ "ความสำเร็จ" คือคอลัมน์แรก และคอลัมน์ที่สองเป็นจำนวน "ความล้มเหลว" ในกรณีนี้ R เพิ่มสองคอลัมน์เข้าด้วยกันเพื่อผลิตตัวหารทวินามที่ถูกต้องเนื่องจากวิธีหลังชัดเจนเป็นหนึ่งเหมาะสำหรับเรา เคย cbind ฟังก์ชันเพื่อสร้างเมทริกซ์ โดยผูกเวกเตอร์คอลัมน์ที่ประกอบด้วยหมายเลขใช้และไม่ใช้การคุมกำเนิดต่อไปนี้สัญลักษณ์พิเศษ ~ ที่แยกการตอบสนองจากการ predictors เรามีสูตรแบบโรเจอร์ส Wilkinson มาตรฐาน ในกรณีนี้ เราจะระบุหลักการผลกระทบของอายุ การศึกษา และ wantsMore เพราะ predictors ทั้งหมดสาม ตัวแปรแตก พวกเขาจะถือว่าโดยอัตโนมัติเป็นปัจจัย เป็นคุณสามารถดูผลลัพธ์การตรวจสอบ:

ผลลัพธ์ (ไทย) 2:

มีบางสิ่งที่จะอธิบายที่นี่ ครั้งแรกที่ฟังก์ชั่นที่เรียกว่า GLM และฉันได้รับมอบหมายค่าของมันไปยังวัตถุที่เรียกว่า lrfit (สำหรับการถดถอยโลจิสติกพอดี) อาร์กิวเมนต์แรกของการทำงานเป็นสูตรแบบที่กำหนดการตอบสนองและการทำนายเชิงเส้น. ด้วยข้อมูลทวินามการตอบสนองสามารถเป็นได้ทั้งเวกเตอร์หรือเมทริกซ์ที่มีสองคอลัมน์. ถ้าตอบเป็นเวกเตอร์ที่จะสามารถเป็นตัวเลข 0 สำหรับความล้มเหลว 1 และประสบความสำเร็จหรือปัจจัยที่มีระดับเป็นครั้งแรกที่เป็นตัวแทนของ "ความล้มเหลว" และอื่น ๆ ทั้งหมดที่เป็นตัวแทนของ "ความสำเร็จ" ในกรณีเหล่านี้ R สร้างเวกเตอร์ของคนที่จะเป็นตัวแทนของ denominators ทวินาม. อีกวิธีหนึ่งคือการตอบสนองอาจจะเป็นเมทริกซ์ที่คอลัมน์แรกคือจำนวนของ "ความสำเร็จ" และคอลัมน์ที่สองคือจำนวนของ "ความล้มเหลว" ในกรณีนี้ R เพิ่มเสาสองเข้าด้วยกันในการผลิตส่วนทวินามที่ถูกต้อง. เนื่องจากวิธีหลังเป็นอย่างชัดเจนหนึ่งที่เหมาะสมสำหรับเราผมใช้ cbind ฟังก์ชั่นในการสร้างเมทริกซ์โดยมีผลผูกพันเวกเตอร์คอลัมน์ที่มีตัวเลขการใช้และไม่ได้ใช้การคุมกำเนิดต่อไปนี้เป็นสัญลักษณ์พิเศษ ~ ที่แยกการตอบสนองจากการพยากรณ์เรามีสูตรมาตรฐานรูปแบบวิลกินสันโรเจอร์ส ในกรณีนี้เราจะระบุผลกระทบหลักของอายุการศึกษาและ wantsMore เพราะทั้งสามพยากรณ์ตัวแปรเด็ดขาดพวกเขาจะได้รับการรักษาโดยอัตโนมัติขณะที่ปัจจัยที่คุณสามารถดูโดยการตรวจสอบผล:

ผลลัพธ์ (ไทย) 3:

มีบางสิ่งที่จะอธิบายที่นี่ ก่อน หน้าที่จะเรียกว่า glm และมอบหมายให้คุณค่าของวัตถุที่เรียกว่า lrfit ( Logistic Regression พอดี ) อาร์กิวเมนต์แรกของฟังก์ชันเป็นสูตรแบบที่กำหนด และทำนายการตอบสนองเชิงเส้น

กับข้อมูลทวินามการตอบสนองสามารถเป็นได้ทั้งเวกเตอร์หรือเมทริกซ์ที่มีสองคอลัมน์ .

ถ้าตอบเป็นพาหะได้ตัวเลข 0 กับ 1 สำหรับความสำเร็จและความล้มเหลว หรือปัจจัยกับระดับแรกของ " ความล้มเหลว " และอื่น ๆ ทั้งหมดที่เป็นตัวแทนของ " ความสำเร็จ " ในกรณีเหล่านี้ R สร้างเวกเตอร์ของคนที่เป็นตัวแทนของ denominators ทวินาม .
อีกวิธีหนึ่งคือการตอบสนองจะเป็นเมทริกซ์ที่คอลัมน์แรกเป็นหมายเลขของ " ความสำเร็จ " และคอลัมน์ที่สองคือจำนวนของ " ความล้มเหลว " ในกรณีนี้ R เพิ่มเสาสองเข้าด้วยกันเพื่อผลิต ส่วน
แบบที่ถูกต้องเพราะแนวทางหลังชัดเจนขวาหนึ่งสำหรับเรา ผมใช้ฟังก์ชัน cbind เพื่อสร้างเมทริกซ์โดยผูกคอลัมน์เวกเตอร์ที่มีตัวเลขที่ใช้และไม่ใช้คุมกำเนิด

ต่อไปนี้พิเศษสัญลักษณ์ ~ ที่แยกการตอบสนองจากพยากรณ์ เรามีมาตรฐาน วิลกินสัน โรเจอร์ แบบสูตร ในกรณีนี้เราระบุผลกระทบหลักของอายุการศึกษาและ wantsmore . เพราะทั้งสามตัวแปร คือ ตัวแปรอย่างแท้จริง พวกเขาจะถือว่าเป็นปัจจัยโดยอัตโนมัติ คุณสามารถเห็นได้โดยการตรวจสอบผลลัพธ์ที่ได้ :