आर के पोल फ़ंक्शन (लॉजिस्टिक रिग्रेशन का आदेश दिया गया) से आउटपुट कैसे समझें?

मैं आर के लिए नया हूं, लॉजिस्टिक रिग्रेशन का आदेश दिया है, और polr।

पोल के लिए मदद पृष्ठ के नीचे "उदाहरण" खंड (जो एक आदेशित कारक प्रतिक्रिया के लिए लॉजिस्टिक या प्रोबिट रिग्रेशन मॉडल को फिट करता है) दिखाता है

options(contrasts = c("contr.treatment", "contr.poly"))
house.plr <- polr(Sat ~ Infl + Type + Cont, weights = Freq, data = housing)
pr <- profile(house.plr)
plot(pr)
pairs(pr)

क्या जानकारी prशामिल है? प्रोफ़ाइल पर सहायता पृष्ठ सामान्य है, और पोलर के लिए कोई मार्गदर्शन नहीं देता है।
क्या plot(pr)दिखा रहा है? मैं छह ग्राफ देखता हूं। प्रत्येक में एक एक्स अक्ष होता है जो संख्यात्मक होता है, हालांकि लेबल एक संकेतक चर है (एक इनपुट चर की तरह दिखता है जो क्रमिक मूल्य के लिए एक संकेतक है)। फिर वाई अक्ष "ताऊ" है जो पूरी तरह से अस्पष्टीकृत है।
क्या pairs(pr)दिखा रहा है? यह इनपुट चर के प्रत्येक जोड़े के लिए एक भूखंड जैसा दिखता है, लेकिन फिर से मुझे एक्स या वाई कुल्हाड़ियों का कोई स्पष्टीकरण नहीं दिखता है।
अगर मॉडल ने अच्छा फिट दिया तो कोई कैसे समझ सकता है? summary(house.plr)3495.149 का अवशिष्ट डीविंस 3479.149 और एआईसी (एकेइक सूचना मानदंड) दिखाता है। क्या वह अच्छा है? उस मामले में जो केवल सापेक्ष उपायों के रूप में उपयोगी होते हैं (यानी किसी अन्य मॉडल की तुलना करने के लिए), एक अच्छा निरपेक्ष उपाय क्या है? क्या अवशिष्ट विचलन लगभग ची-वर्ग वितरित किया जाता है? क्या कोई मूल डेटा या कुछ क्रॉस-वैलिडेशन पर "सही ढंग से भविष्यवाणी की गई" का उपयोग कर सकता है? ऐसा करने का सबसे आसान तरीका क्या है?
कोई anovaइस मॉडल पर कैसे लागू और व्याख्या करता है ? डॉक्स कहते हैं "मानक मॉडल-फिटिंग कार्यों के लिए विधियां हैं, जिसमें भविष्यवाणी, सारांश, वीसीओवी, एनोवा शामिल हैं।" हालाँकि, anova(house.plr)परिणाम चल रहे हैंanova is not implemented for a single "polr" object
प्रत्येक गुणांक के लिए टी मानों की व्याख्या कैसे की जाती है? कुछ मॉडल फिट के विपरीत, यहां कोई पी मान नहीं हैं।

मुझे लगता है कि यह बहुत सारे प्रश्न हैं, लेकिन यह मेरे लिए एक बंडल के रूप में पूछने के लिए समझ में आता है ("मैं इस चीज का उपयोग कैसे करूं?") 7 अलग-अलग प्रश्नों के बजाय। किसी भी जानकारी की सराहना की।

r logistic

— dfrankow
स्रोत

@dfrankow आपके पहले दो प्रश्नों के लिए कुछ हद तक आंशिक और निश्चित रूप से बहुत आंशिक मदद करता है, लेकिन methods("profile")आपको R profileऑब्जेक्ट से संबंधित विधियाँ (इस मामले में S3) देगा, तब आप देखेंगे polrकि परिणामों के लिए एक समर्पित तरीका है , जिसे आप ब्राउज़ कर सकते हैं getAnywhere("profile.polr")R प्रॉम्प्ट पर टाइप करके ऑन-लाइन ।

— CHL

धन्यवाद! सोर्स कोड अच्छा है। स्पष्टीकरण और भी बेहतर होगा। :)

— dfrankow

किसी ने मुझे Venables और Ripley द्वारा "S के साथ आधुनिक एप्लाइड सांख्यिकी" की ओर इशारा किया। खंड 7.3 में "एक चार-तरफ़ा आवृत्ति तालिका उदाहरण है" जो इस घर के मॉडल को बड़े पैमाने पर कवर करता है। पढ़ना ..

— dfrankow

वास्तव में यह खंड "आनुपातिक बाधाओं का मॉडल" है

— dfrankow

जवाबों:

मेरा सुझाव है कि आप ऑर्डर किए गए लॉजिस्टिक रिग्रेशन की बेहतर व्याख्या और समझ के लिए श्रेणीबद्ध डेटा विश्लेषण (cf. एलन एगेस्टी के श्रेणीबद्ध डेटा विश्लेषण, 2002) पर पुस्तकों को देखें । आपके द्वारा पूछे गए सभी प्रश्न मूल रूप से ऐसी पुस्तकों में कुछ अध्यायों द्वारा उत्तर दिए गए हैं। आप केवल में रुचि रखते हैं Rसंबंधित उदाहरण, आर में रैखिक मॉडल का विस्तार से जूलियन फारअवे (सीआरसी प्रेस, 2008) के लिए एक महान संदर्भ है।

इससे पहले कि मैं आपके सवालों का जवाब दूं, लॉजिस्टिक रिग्रेशन मल्टीनोमियल लॉजिट मॉडल का मामला है जिसमें श्रेणियों का आदेश दिया जाता है। मान लीजिए हम श्रेणियों का आदेश दिया और व्यक्ति के लिए है कि , क्रमसूचक प्रतिक्रिया के साथ , के लिए । एक आदेश दिया प्रतिक्रिया के साथ, यह अक्सर संचयी संभावनाओं के साथ काम करने के लिए आसान है, $J$ $i$ $Y_i$ $p_{ij}=P(Yi=j)$ $j=1,..., J$ । संचयी संभावनाएं बढ़ती जा रही हैं और आसन्न श्रेणियों के संयोजन के लिए अपरिवर्तनीय हैं। इसके अलावा, , इसलिए हम केवल मॉडल की जरूरतसंभावनाओं। $\gamma_{ij}=P(Y_i \le j)$ $\gamma_{iJ}=1$ $J–1$

अब हम को लिंक करना चाहते हैं । आपके मामले में, 3 आदेश दिया स्तर हैं: , , । यह उन्हें असंयमित के बजाय आदेश के रूप में व्यवहार करने के लिए अधिक समझ में आता है। शेष चर आपके सहसंयोजक हैं। आप जिस विशिष्ट मॉडल पर विचार कर रहे हैं वह आनुपातिक बाधाओं का मॉडल है और गणितीय रूप से इसके समकक्ष है: $\gamma_{ij}$ $x$ Satlowmediumhigh

logit γ_{j} ({एक्स}_{मैं}) = θ_{j} - β^{टी} {एक्स}_{मैं}, j = 1 ... जम्मू - 1

$\mbox{logit } \gamma_j(x_i) = \theta_j - \beta^T x_i, j = 1 \ldots J-1$

कहा पे γ_{j} ({एक्स}_{मैं}) = पी (Y_{मैं} \leq j | {एक्स}_{मैं})

$\mbox{where }\gamma_j(x_i)=P(Y_i \le j | x_i)$

इसे इसलिए कहा जाता है क्योंकि और तुलना में के सापेक्ष हैं: $Y \le j$ $x_1$ $x_2$

(\frac{γ_{j} ({एक्स}_{1})}{1 - γ_{j} ({एक्स}_{1})}) / (\frac{γ_{j} ({एक्स}_{2})}{1 - γ_{j} ({एक्स}_{2})}) = \exp (- β^{टी} ({एक्स}_{1} - {एक्स}_{2}))

$\left(\frac {\gamma_j(x_1)}{1-\gamma_j(x_1)}\right) / \left(\frac {\gamma_j(x_2)}{1-\gamma_j(x_2)}\right)=\exp(-\beta^T (x_1-x_2))$

ध्यान दें, उपरोक्त अभिव्यक्ति पर निर्भर नहीं है । बेशक, आनुपातिक बाधाओं की धारणा को किसी दिए गए डेटासेट के लिए जाँचने की आवश्यकता नहीं है। $j$

अब, मैं कुछ (1, 2, 4) सवालों के जवाब दूंगा।

अगर मॉडल ने अच्छा फिट दिया तो कोई कैसे समझ सकता है? सारांश (house.plr) 3495.149 का अवशिष्ट डीविंस 3479.149 और एआईसी (एकेइक सूचना मानदंड) दिखाता है। क्या वह अच्छा है? उस मामले में जो केवल सापेक्ष उपायों के रूप में उपयोगी होते हैं (यानी किसी अन्य मॉडल की तुलना करने के लिए), एक अच्छा निरपेक्ष उपाय क्या है? क्या अवशिष्ट विचलन लगभग ची-वर्ग वितरित किया जाता है? क्या कोई मूल डेटा या कुछ क्रॉस-वैलिडेशन पर "सही ढंग से भविष्यवाणी की गई" का उपयोग कर सकता है? ऐसा करने का सबसे आसान तरीका क्या है?

द्वारा फिट किया गया एक मॉडल polrएक विशेष है glm, इसलिए सभी मान्यताओं जो glmयहां एक पारंपरिक पकड़ के लिए रखती हैं। यदि आप मापदंडों का ठीक से ध्यान रखते हैं, तो आप वितरण का पता लगा सकते हैं। विशेष रूप से, यह जांचने के लिए कि क्या मॉडल अच्छा है या नहीं, आप फिट टेस्ट की अच्छाई करना चाहते हैं , जो निम्न नल का परीक्षण करें (ध्यान दें कि यह सूक्ष्म है, ज्यादातर आप अशक्त को अस्वीकार करना चाहते हैं, लेकिन यहां आप नहीं करना चाहते हैं एक अच्छा फिट पाने के लिए इसे अस्वीकार करें):

{एच}_{ओ} : वर्तमान मॉडल काफी अच्छा है

$H_o: \mbox{ current model is good enough }$

आप इसके लिए ची-स्क्वायर टेस्ट का उपयोग करेंगे । P- मान इस प्रकार प्राप्त होता है:

1-pchisq(deviance(house.plr),df.residual(house.plr))

अधिकांश समय आप 0.05 से अधिक पी-मान प्राप्त करने की उम्मीद करेंगे ताकि आप इस निष्कर्ष को खारिज न करें कि मॉडल अच्छा है (यहां दार्शनिक शुद्धता को अनदेखा किया गया है)।

एआईसी एक अच्छा फिट के लिए उच्च होना चाहिए उसी समय आप बड़ी संख्या में पैरामीटर नहीं चाहते हैं। stepAICयह जाँचने का एक अच्छा तरीका है।

हां, आप निश्चित रूप से यह देखने के लिए क्रॉस सत्यापन का उपयोग कर सकते हैं कि क्या पूर्वानुमान है। देखें predict: समारोह (विकल्प type = "probs"में) ?polr। आप सभी को ध्यान रखने की जरूरत है कि कोवरिएट्स हैं।

जनसंपर्क में क्या जानकारी होती है? प्रोफ़ाइल पर सहायता पृष्ठ सामान्य है, और पोलर के लिए कोई मार्गदर्शन नहीं देता है

जैसा कि @chl और अन्य लोगों द्वारा बताया गया है, prइसमें CI प्राप्त करने के लिए आवश्यक सभी जानकारी और अन्य संभावना संबंधित जानकारी शामिल है polr fit। glmलॉग एस के लिए सभी s iteratively भारित कम से कम वर्ग अनुमान विधि का उपयोग करके फिट हैं। इस अनुकूलन में आपको बहुत सी जानकारी मिलती है (कृपया संदर्भ देखें) जो कि वैरिएनस कोवरियन मैट्रिक्स, सीआई, टी-वैल्यू आदि की गणना के लिए आवश्यक होगी। इसमें सभी शामिल हैं।

प्रत्येक गुणांक के लिए टी मानों की व्याख्या कैसे की जाती है? कुछ मॉडल> फिट के विपरीत, यहां कोई पी मान नहीं हैं।

सामान्य लीनियर मॉडल (विशेष glm) के विपरीत अन्य glmएस में प्रतिगमन गुणांक के लिए अच्छा टी-वितरण नहीं है। इसलिए आप सभी प्राप्त कर सकते हैं अधिकतम अनुमान सिद्धांत का उपयोग कर पैरामीटर अनुमान और उनके स्पर्शोन्मुख विचरण सहसंयोजक मैट्रिक्स है। इसलिए:

झगड़ा (\hat{β}) = ({एक्स}^{टी} डब्ल्यू एक्स)^{- 1} \hat{φ}

$\text{Variance}(\hat \beta) = (X^T W X)^{-1}\hat \phi$

अपनी मानक त्रुटि से विभाजित अनुमान है कि बीडीआर और डब्ल्यूवी कॉल टी-मूल्य (मैं MASSयहां सम्मेलन मान रहा हूं )। यह सामान्य रैखिक प्रतिगमन से टी-मूल्य के बराबर है लेकिन एक टी-वितरण का पालन नहीं करता है। सीएलटी का उपयोग करना, यह सामान्य रूप से वितरित किया गया है। लेकिन वे इस लगभग (मुझे लगता है) का उपयोग नहीं करना पसंद करते हैं, इसलिए कोई भी पी-मान नहीं है। (मुझे आशा है कि मैं गलत नहीं हूं, और अगर मैं हूं, तो मुझे आशा है कि बीडीआर इस मंच पर नहीं है। मुझे आशा है कि अगर मैं गलत हूं तो कोई मुझे सुधार लेगा।)

— suncoolsu
स्रोत

मैं और जोड़ दूंगा।

— सनकूलू

इसके लिए धन्यवाद। मैंने इसे कई बार पढ़ा है। काफी सवाल बने हुए हैं। 1. कार्यात्मक रूप से R में, कोई आनुपातिक बाधाओं को कैसे परखता है? 2. क्या आप सुनिश्चित हैं कि ची-स्क्वेड टेस्ट सही है? इस उदाहरण पर यह 0 देता है, जिसका अर्थ है .. भद्दा फिट? लेकिन कुछ टी वैल्यू बहुत अधिक हैं (इन्फ्लेश १०.१, इन्फ्लेमेडियम ५.४, कंटहाइम ३.९)। 3. भूखंड या जोड़े क्या दिखा रहे हैं?

— dfrankow

अपने व्यापक जवाब के लिए धन्यवाद suncoolsu। मैं एक समान स्थिति में हूं और कुछ सवाल कर रहा हूं। 1. मुझे आपके chi-sq परीक्षण समीकरण का उपयोग करके प्रत्येक मॉडल के लिए 0 भी मिलता है। 2. एआईसी पर विकिपीडिया पृष्ठ कहता है "पसंदीदा मॉडल न्यूनतम एआईसी मूल्य के साथ एक है", लेकिन आपने कहा, "एआईसी को एक अच्छे फिट के लिए उच्च होना चाहिए।" मैं इन खातों को समेटने की कोशिश कर रहा हूं।

— सैम स्विफ्ट

@dfrankow और @Sam स्विफ्ट। मुझे खेद है, कुछ कागज लिखने में थोड़ा व्यस्त रहा। ठीक है - यदि आपको पी-मान = 0 मिलता है, तो इसका मतलब है कि मॉडल एक अच्छा फिट नहीं है क्योंकि फिट टेस्ट की अच्छाई विफल हो जाती है। एआईसी की समस्या के बारे में, विकिपीडिया और मैं इसके लिए एक अलग सम्मेलन का उपयोग कर रहे हैं। मैं बीडीआर और डब्ल्यूवी द्वारा उपयोग किया जाता है। (cf. डॉ। जूलियन

— फ़रावे

वहाँ 0/1 पी मूल्यों और AIC व्याख्या उपयोगी हो सकते के लिए कुछ समर्पित प्रश्न हैं: stats.stackexchange.com/questions/15223/... stats.stackexchange.com/questions/81427/...

— स्कॉट

मैंने यहां बातचीत का बहुत आनंद लिया है, हालांकि मुझे लगता है कि आपके द्वारा लगाए गए प्रश्न के उत्तर सभी (बहुत अच्छे) घटकों को सही ढंग से संबोधित नहीं करते थे। उदाहरण पृष्ठ का दूसरा भाग polrप्रोफाइलिंग के बारे में है। यहां एक अच्छा तकनीकी संदर्भ वेनरेबल्स और रिप्ले है जो प्रोफाइलिंग पर चर्चा करते हैं और यह क्या करता है। यह एक महत्वपूर्ण तकनीक है जब आप पूरी संभावना (नियमित GLMs) के साथ फिटिंग घातीय परिवार मॉडल के आराम क्षेत्र से आगे बढ़ते हैं।

$k-1$ $k$ lmernls, polrऔर glm.nb।

ऑब्जेक्ट के लिए सहायता पृष्ठ ?profile.glmकुछ उपयोग का होना चाहिए क्योंकि polrऑब्जेक्ट अनिवार्य रूप से GLM हैं (प्लस श्रेणीबद्ध थ्रेसहोल्ड)। अंत में, आप स्रोत कोड पर वास्तव में चोटी कर सकते हैं, अगर यह किसी भी उपयोग, उपयोग का है getS3method('profile', 'polr')। मैं इस getS3methodफ़ंक्शन का बहुत उपयोग करता हूं क्योंकि, जब आर जोर देकर कहता है कि कई तरीकों को छिपाया जाना चाहिए, तो कोड की समीक्षा करके कार्यान्वयन और विधियों के बारे में आश्चर्यजनक रूप से बहुत कुछ सीखा जा सकता है।

• जनसंपर्क में क्या जानकारी होती है? प्रोफ़ाइल पर सहायता पृष्ठ सामान्य है, और पोलर के लिए कोई मार्गदर्शन नहीं देता है।

prएक profile.polr, profileवस्तु है (विरासत में मिला वर्ग profile)। प्रत्येक कोवरिएट के लिए एक प्रविष्टि है। प्रोफाइलर प्रत्येक कोवरिएट पर लूप करता है, कुछ थोड़े अलग राशि के लिए तय किए गए उस कोवरिएट के साथ इष्टतम मॉडल को फिर से जोड़ देता है। आउटपुट कोवेरेट के निर्धारित मान को उसके अनुमानित मूल्य और अन्य कोवरिएट में परिणामी निश्चित प्रभावों से एक स्केल "जेड-स्कोर" अंतर के रूप में मापा जाता है। उदाहरण के लिए, यदि आप देखते हैं, तो आप pr$InflMediumध्यान देंगे कि, जब "z" 0 है, अन्य निश्चित प्रभाव वही हैं जो मूल फिट में पाए जाते हैं।

• प्लॉट (पीआर) क्या दिखा रहा है? मैं छह ग्राफ देखता हूं। प्रत्येक में एक एक्स अक्ष होता है जो संख्यात्मक होता है, हालांकि लेबल एक संकेतक चर है (एक इनपुट चर की तरह दिखता है जो क्रमिक मूल्य के लिए एक संकेतक है)। फिर वाई अक्ष "ताऊ" है जो पूरी तरह से अस्पष्टीकृत है।

फिर से, ?plot.profileविवरण देता है। भूखंड मोटे तौर पर दिखाता है कि कैसे प्रतिगमन गुणांक सहसंयोजक होता है। ताऊ का बढ़ा हुआ अंतर है, z स्कोर पहले, इसलिए यह 0 मान है जो एक टिक मार्क के साथ दर्शाया गया इष्टतम फिट गुणांक देता है। आप इस फिट के लिए इतना अच्छा व्यवहार नहीं है, लेकिन उन "लाइनों" वास्तव में splines हैं बता नहीं होगा। यदि इष्टतम फिट पर संभावना बहुत अनियमित रूप से व्यवहार की जाती है, तो आप साजिश में अजीब और अप्रत्याशित व्यवहार का निरीक्षण करेंगे। यह आपको अधिक मजबूत त्रुटि अनुमान (बूटस्ट्रैप / जैकनाइफ) का उपयोग करके आउटपुट का अनुमान लगाने के लिए होगा, जो कि CI का उपयोग करके गणना method='profile'करने के लिए, चर का पुनरावर्तन करने के लिए, या अन्य निदान करने के लिए किया जाएगा।

• जोड़े (जनसंपर्क) क्या दिखा रहे हैं? यह इनपुट चर के प्रत्येक जोड़े के लिए एक भूखंड जैसा दिखता है, लेकिन फिर से मुझे एक्स या वाई कुल्हाड़ियों का कोई स्पष्टीकरण नहीं दिखता है।

हेल्प फ़ाइल कहती है: "जोड़े विधि दिखाती है, प्रत्येक जोड़ी के लिए पैरामीटर x और y, अधिकतम संभावना अनुमान पर दो घटता है, जो उन बिन्दुओं की लोकी देते हैं, जिन पर द्विभाजित प्रोफ़ाइल की आकृति के स्पर्शरेखा लंबवत होती है। और क्षैतिज, क्रमशः। बिल्वेट के सामान्य प्रोफाइल की संभावना के मामले में, ये दो वक्र सीधी रेखाएँ होंगे जो कि सशर्त साधनों को y | x और x | y का अर्थ देती हैं, और इसके विपरीत बिल्कुल अण्डाकार होंगे। " असल में, वे फिर से आपको आत्मविश्वास के ग्रहण की कल्पना करने में मदद करते हैं। गैर-ऑर्थोगोनल कुल्हाड़ी अत्यधिक सहनीय उपाय दर्शाती हैं, जैसे कि इन्फोमेडियम और इन्फ़िघ जो सहज रूप से बहुत संबंधित हैं। फिर, अनियमित संभावनाएं उन छवियों को जन्म देंगी जो यहां काफी चकरा देने वाली हैं।

• अगर कोई मॉडल अच्छी तरह से फिट हो जाए तो कैसे समझ सकता है? सारांश (house.plr) 3495.149 का अवशिष्ट डीविंस 3479.149 और एआईसी (एकेइक सूचना मानदंड) दिखाता है। क्या वह अच्छा है? उस मामले में जो केवल सापेक्ष उपायों के रूप में उपयोगी होते हैं (यानी किसी अन्य मॉडल की तुलना करने के लिए), एक अच्छा निरपेक्ष उपाय क्या है? क्या अवशिष्ट विचलन लगभग ची-वर्ग वितरित किया जाता है? क्या कोई मूल डेटा या कुछ क्रॉस-वैलिडेशन पर "सही ढंग से भविष्यवाणी की गई" का उपयोग कर सकता है? ऐसा करने का सबसे आसान तरीका क्या है?

आकलन के लिए अच्छा है कि एक धारणा आनुपातिक बाधाओं धारणा है। यह कुछ हद तक वैश्विक परीक्षण में परिलक्षित होता है (जो संतृप्त लॉगलाइनियर मॉडल के खिलाफ पोल का आकलन करता है)। यहां एक सीमा यह है कि बड़े डेटा के साथ, वैश्विक परीक्षण हमेशा विफल होते हैं। नतीजतन, लॉगलाइन मॉडल और पोलर फिट के लिए ग्राफिक्स और निरीक्षण अनुमानों (बेटस) और सटीक (एसई) का उपयोग करना एक अच्छा विचार है। यदि वे सामूहिक रूप से असहमत हैं, तो कुछ गलत है।

आदेशित परिणामों के साथ, प्रतिशत समझौते को परिभाषित करना कठिन है। आप मॉडल के आधार पर क्लासिफायर का चयन कैसे करेंगे, और यदि आप करते हैं तो आप खराब क्लासिफायर से खराब प्रदर्शन कैसे प्राप्त करेंगे। modeएक बुरा विकल्प है। यदि मेरे पास 10 श्रेणी के लॉग हैं और मेरी भविष्यवाणी हमेशा एक श्रेणी की है, तो शायद यह कोई बुरी बात नहीं है। इसके अलावा, मेरा मॉडल 0 प्रतिक्रिया के 40% संभावना का सही अनुमान लगा सकता है, लेकिन 8, 9, 10. के 20% संभावना भी है, तो अगर मैं 9 का निरीक्षण करता हूं तो यह अच्छा है या बुरा? यदि आप समझौते को मापते हैं तो एक भारित कप्पा, या यहां तक कि एमएसई का उपयोग करें। लॉगलाइनियर मॉडल हमेशा सबसे अच्छा समझौता करेगा। वो नहीं जो POLR करता है।

• कोई इस मॉडल पर एनोवा को कैसे लागू और व्याख्या करता है? डॉक्स कहते हैं "मानक मॉडल-फिटिंग कार्यों के लिए विधियां हैं, जिसमें भविष्यवाणी, सारांश, वीसीओवी, एनोवा शामिल हैं।" हालांकि, एनोवा में (एओएन (house.plr) परिणाम चलाने के लिए एकल "पोलर" ऑब्जेक्ट के लिए लागू नहीं किया गया है

आप के साथ नेस्टेड मॉडल का परीक्षण कर सकते waldtestहैं और lrtestमें lmtestआर इस में पैकेज एनोवा के बराबर है। व्याख्या बिल्कुल GLMs के साथ के रूप में है।

• प्रत्येक गुणांक के लिए टी मानों की व्याख्या कैसे की जाती है? कुछ मॉडल फिट के विपरीत, यहां कोई पी मान नहीं हैं।

फिर से, रैखिक मॉडल के विपरीत, POLR मॉडल अनियमित संभावना वाले मुद्दों को रखने में सक्षम है इसलिए हेस्सियन पर आधारित अनुमान बहुत अस्थिर हो सकते हैं। यह फिटिंग मिश्रित मॉडलों के अनुरूप है, उदाहरण के confint.merModलिए lme4 पैकेज के लिए हेल्पफाइल देखें। यहां, प्रोफाइलिंग के साथ किए गए आकलन से पता चलता है कि कोवरियन का व्यवहार अच्छा है। प्रोग्रामर ने इसे डिफ़ॉल्ट रूप से किया होगा, सिवाय इसके कि प्रोफाइलिंग कम्प्यूटेशनल रूप से बहुत गहन हो सकती है, और इस तरह वे इसे आपके हाथों पर छोड़ देते हैं। यदि आपको वाल्ड आधारित आक्षेप देखना होगा, coeftest(house.plr)तो lrtestपैकेज से उपयोग करें ।

— Adamo
स्रोत

आर में आनुपातिक बाधाओं को 'परीक्षण' (यानी, मूल्यांकन) करने के लिए, आप फ्रैंक हरेल जूनियर के डिजाइन पैकेज में अवशिष्ट (एल) का उपयोग कर सकते हैं। यदि आप टाइप करते हैं, तो अवशिष्ट। एलआरएम, एक त्वरित-से-दोहराए जाने वाला उदाहरण है कि फ्रैंक हरेल कैसे आनुपातिक बाधाओं की धारणा का मूल्यांकन करने की सिफारिश करता है (यानी, नेत्रहीन, बल्कि पुश-बटन परीक्षण द्वारा)। डिज़ाइन अनुमानों ने lrm () का उपयोग करके लॉजिस्टिक रिग्रेशन का आदेश दिया, जिसे आप MASS से पोलर () के लिए स्थानापन्न कर सकते हैं।

कैसे आर में आनुपातिक बाधाओं को दृष्टिगत रूप से परीक्षण करने के लिए एक और अधिक औपचारिक उदाहरण के लिए, देखें: कागज: पारिस्थितिकीय प्रतिक्रिया प्रतिमान पारिस्थितिकी में लेखक लेखक (ओं): एंटोनी गाइसन और फ्रैंक ई। हरेल स्रोत: वनस्पति विज्ञान के जर्नल, वॉल्यूम। 11, नंबर 5 (अक्टूबर, 2000), पीपी। 617-626

— mBrewster
स्रोत

मैं ईमानदारी से आपकी प्रतिक्रिया की सराहना करता हूं। हालाँकि, StackExchange का उद्देश्य उत्तर देना है, संदर्भ नहीं। सांख्यिकीविद् विशेष रूप से इस संदर्भ समस्या से ग्रस्त हैं। क्या कोई विवरण है जिसे आप अवशिष्ट के उपयोग के बारे में जोड़ सकते हैं। उदाहरण के लिए, एक उदाहरण कमांड और हाउस.प्ल उदाहरण के लिए ग्राफ की व्याख्या करने का एक उदाहरण?

— dfrankow

लेखक की वेबसाइट से अपडेट करें: "डिज़ाइन पैकेज अब अप्रचलित है। आर उपयोगकर्ताओं को इसके बजाय आरएमएस पैकेज का उपयोग करना चाहिए"। मार्क, आपकी प्रतिक्रिया मेरे लिए बहुत उपयोगी थी।

— ताल गैलीली