जवाबों:
आज्ञा देना एलएल = loglikelihood
यहाँ सारांश (glm.fit) आउटपुट से आपके द्वारा देखे जाने का एक त्वरित सारांश है,
Null Deviance = 2 (LL (संतृप्त मॉडल) - LL (Null Model)) df = df_Sat - df_Null पर
अवशिष्ट Deviance = 2 (LL (संतृप्त मॉडल) - LL (प्रस्तावित मॉडल)) df = df_Sat - df_Proposed
संतृप्त मॉडल एक मॉडल है कि प्रत्येक डेटा बिंदु मान लिया गया है अपने स्वयं के मानकों है (जिसका अर्थ है आप अनुमान लगाने के लिए मानकों n है।)
अशक्त मॉडल , सटीक "विपरीत" मानता है कि है में आप केवल 1 पैरामीटर का अनुमान है जिसका मतलब है कि डेटा बिंदुओं के सभी के लिए एक पैरामीटर, मान लिया गया है।
प्रस्तावित मॉडल मान लिया गया है तो आप पी + 1 पैरामीटर आप पी मानकों + एक अवरोधन अवधि के साथ अपने डेटा बिंदुओं की व्याख्या कर सकते हैं।
यदि आपका नल डिविज़न वास्तव में छोटा है, तो इसका मतलब है कि नल मॉडल डेटा को बहुत अच्छी तरह से समझाता है। इसी तरह अपने अवशिष्ट डीविंस के साथ ।
वास्तव में छोटे का क्या मतलब है? अपने मॉडल "अच्छा" है, तो आपके विचलन स्वतंत्रता की डिग्री - लगभग (df_model df_sat) के साथ ची ^ 2 है।
यदि आप अपने प्रस्तावित मॉडल के साथ नल मॉडल की तुलना करना चाहते हैं, तो आप देख सकते हैं
(Null Deviance - अवशिष्ट Deviance) लगभग ची ^ 2 के साथ df प्रस्तावित - df Null = (n- (p + 1)) - (n-1) = p
क्या परिणाम आपने आर से सीधे दिए हैं? वे थोड़ा अजीब लगते हैं, क्योंकि आम तौर पर आपको यह देखना चाहिए कि अशक्त पर बताई गई स्वतंत्रता की डिग्री हमेशा अवशिष्ट पर बताई गई स्वतंत्रता की डिग्री से अधिक होती है। ऐसा इसलिए है क्योंकि फिर से, नल डीविंस डीएफ = संतृप्त डीएफ - नल डीएफ = एन -1 अवशिष्ट डीवियनस डीएफ = संतृप्त डीएफ - प्रस्तावित डीएफ = एन- (पी + 1)
अशक्त विचलन यह दर्शाता है कि मॉडल द्वारा प्रतिक्रिया को कितनी अच्छी तरह से और कुछ नहीं बल्कि एक अवरोधन के रूप में भविष्यवाणी की जाती है।
अवशिष्ट अवमूल्यन दर्शाता है कि मॉडल द्वारा भविष्यवाणियों को शामिल किए जाने पर प्रतिक्रिया कितनी अच्छी है। आपके उदाहरण से, यह देखा जा सकता है कि विचलन 3443.3 तक बढ़ जाता है जब 22 भविष्यवक्ता चर जोड़े जाते हैं (ध्यान दें: स्वतंत्रता की डिग्री = प्रेक्षणों की संख्या - नहीं, भविष्यवक्ताओं की संख्या)। भक्ति में यह वृद्धि फिट होने के महत्वपूर्ण अभाव का प्रमाण है।
हम अवशिष्ट अवमूल्यन का परीक्षण करने के लिए भी उपयोग कर सकते हैं कि क्या शून्य परिकल्पना सच है (यानी लॉजिस्टिक प्रतिगमन मॉडल डेटा के लिए पर्याप्त रूप से फिट है)। यह संभव है क्योंकि स्वतंत्रता के एक निश्चित डिग्री पर ची-वर्ग मूल्य द्वारा अवमूल्यन दिया जाता है। महत्व के लिए परीक्षण करने के लिए, हम R में नीचे दिए गए सूत्र का उपयोग करके संबद्ध पी-मानों का पता लगा सकते हैं:
p-value = 1 - pchisq(deviance, degrees of freedom)
अवशिष्ट अवमूल्यन और डीएफ के उपरोक्त मूल्यों का उपयोग करते हुए, आपको लगभग शून्य का एक पी-मूल्य मिलता है जो दिखा रहा है कि अशक्त परिकल्पना का समर्थन करने के लिए सबूतों का एक महत्वपूर्ण अभाव है।
> 1 - pchisq(4589.4, 1099)
[1] 0
GLM
?