基于分步公式的 GLM 和 GLMM _R_ 代码

发布于 2024-11-27 21:00:29 字数 395 浏览 2 评论 0原文

我知道如何使用 glm 和 glmerGLM) 和广义线性混合模型 (GLMM) > 来自 R 中的 lme4 包。作为一名统计专业的学生，我有兴趣学习如何按照分步公式库 R 代码拟合 GLM 和 GLMM。如果您指出这方面的任何资源和/或参考资料，我将不胜感激。提前致谢。

编辑

我想使用公式逐步进行GLM和GLMM，就像我们使用矩阵方法LM一样。有没有使用这种方法的R书籍或教程？谢谢

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

哆啦不做梦 2024-12-04 21:00:29

Fox 和 Weisberg 撰写的“An R Companion to Applied Regression”在第 8 章提供了很好的指南，以逻辑回归为例。本书还介绍了如何使用 S3 和 S4 对象创建一般模型函数。特别是，它对我最近提出的有关建模的问题有很好的答案 - R 中标准模型对象的关键组件和功能是什么？。

回复收藏 0 原文

硬不硬你别怂 2024-12-04 21:00:29

这可能有帮助
** 泊松回归：GLM**
*建议阅读：《广义线性模型简介》，作者：Annette J. Dobson，第二版，第 4 章，第 4.3 和 4.4 节 *

library(MASS)
poisreg = function(n, b1, y, x1, tolerence) {  # n is the number of iteration   
  x0 = rep(1, length(x1))   
  x = cbind(x0, x1)  
  y = as.matrix(y)  
  w = matrix(0, nrow = (length(y)), ncol = (length(y)))  
  b0 = b1  
  result = b0
  for (i in 1:n) {  
    mu = exp(x %*% b0)     
    diag(w) = mu  
    eta = x %*% b0  
    z = eta + (y - mu) * (1/mu)   # dot product of (y - mu) & (1/mu)   
    xtwx = t(x) %*% w %*% x  
    xtwz = t(x) %*% w %*% z  
    b1 = solve(xtwx, xtwz)  
    if(sqrt(sum(b0 - b1)^2) > tolerence) (b0 <- b1)  
    result<- cbind(result,b1) # to get all the iterated values  
  }  
  result  
}
x1 <- c(-1,-1,0,0,0,0,1,1,1) # x1 is the explanatory variable 
y<- c(2,3,6,7,8,9,10,12,15)  # y is the dependent variable
b1 = c(1,2) # initial value  
poisreg (10, b1, y, x1, .001)   # Nicely converge after 10 iterations  
glm(y~x1, family=poisson(link="log"))   # check your result with the R GLM program

This may help
** Poisson regression: GLM**
*Suggested reading: An Introduction to generalized linear model, by Annette J. Dobson, 2nd Edition, Chapter 4, section 4.3 and 4.4 *

library(MASS)
poisreg = function(n, b1, y, x1, tolerence) {  # n is the number of iteration   
  x0 = rep(1, length(x1))   
  x = cbind(x0, x1)  
  y = as.matrix(y)  
  w = matrix(0, nrow = (length(y)), ncol = (length(y)))  
  b0 = b1  
  result = b0
  for (i in 1:n) {  
    mu = exp(x %*% b0)     
    diag(w) = mu  
    eta = x %*% b0  
    z = eta + (y - mu) * (1/mu)   # dot product of (y - mu) & (1/mu)   
    xtwx = t(x) %*% w %*% x  
    xtwz = t(x) %*% w %*% z  
    b1 = solve(xtwx, xtwz)  
    if(sqrt(sum(b0 - b1)^2) > tolerence) (b0 <- b1)  
    result<- cbind(result,b1) # to get all the iterated values  
  }  
  result  
}
x1 <- c(-1,-1,0,0,0,0,1,1,1) # x1 is the explanatory variable 
y<- c(2,3,6,7,8,9,10,12,15)  # y is the dependent variable
b1 = c(1,2) # initial value  
poisreg (10, b1, y, x1, .001)   # Nicely converge after 10 iterations  
glm(y~x1, family=poisson(link="log"))   # check your result with the R GLM program

回复收藏 0 原文

~没有更多了~