我有一个包含多项式响应变量和连续预测变量的数据集，并试图找出每个响应变量类别的每个预测变量的 AIC、F、p 值和解释方差的比例，以及以找到最佳的预测模型。我正在使用函数 multinom（来自 nnet）和 stepAIC（来自 MASS），虽然我似乎能够获得最佳模型及其 AIC，但我不明白如何获得单个变量 AIC、F、p 值和解释方差的比例。
我正在使用的代码是：
library(nnet)
library(MASS)
model<-multinom(Age~HeightD+HeightI+Inclination+HalfWidth+BaseWidth+WidthRatio+BaseDepth+HalfDepth+DepthRatio,data=comp_data)
summary(model)
step <- stepAIC(model, direction="both")
step$anova
summary(step)
我对统计和 R 很陌生，所以如果有任何明显的错误/答案，请原谅！
我记得，我认为multinom输出并没有提供你所要求的所有东西。其中一些您可以从模型的组件中计算出来。该broom软件包有一种汇总多项回归结果的方法。（确保从 GitHub 安装版本）
#* Using example data from the broom::tidy.multinom function
library(devtools)
install_github("drgtwo/broom")
fit.gear <- multinom(gear ~ mpg + factor(am), data=mtcars)
tidy(fit.gear)
glance(fit.gear)
glance您从输出中获得的 AIC 。您不会从多项回归中获得 F 统计量，但您可以从tidy输出中获得 Z 统计量（实际上只是系数/se）和相关的 p 值。
对象没有任何可比较anova的输出multinom，所以我不知道该告诉你关于解释方差的什么。除了传统的方差分析和线性回归模型之外，我很少使用解释方差作为模型拟合的度量。