问题标签 [glm]

可能重复：
R中的异常处理

我使用glm.nb函数来拟合 NB 模型，但有时程序会出错：

Error in while ((it <- it + 1) < limit && abs(del) > eps) { : missing value where TRUE/FALSE needed

然后整个程序就崩溃了。现在我编写了另一个可以解决这种收敛问题的函数（这是由于极大的似然值；参见这篇文章）。

我的问题是：当函数发生故障时，我如何告诉 R 切换到我自己的函数glm.nb？

我被告知在源代码中查找错误消息，glm.nb然后修改该部分。但是，我没有明确找到这样的代码，想知道 R 中是否有更简单的方法可以跳出分解函数并通过某些if-else语句切换到另一个函数？

所以，我试图比较两个模型，fit1 和 fit2。

最初，我只是在做 anova(fit1,fit2)，这产生了我理解的输出（包括 p 值）。

然而，当我将我的模型从基于 lm() 的模型切换到基于 glm() 的模型时，anova(fit1,fit2) 现在产生了残差自由度、残差偏差和 Df 偏差，我无法解释它们（资源解释这些指标似乎很少）。我希望为两个模型之间的比较提取 p 值，但由于某种原因 anova(fit1,fit2, test='Chisq') 不起作用。有什么建议么？

我意识到，根据我的 glms 中的链接功能，卡方可能不是最合适的测试，但我在适当的上下文中使用了“F”，也有类似的失望。

这个问题其他人熟悉吗？建议？非常感谢！

例子：

我正在尝试使用glm( family='binomial').

这是模型：

mydata有 76820 个观测值。响应变量 (f_ocur) 为 0-1。
该数据是更大数据集的样本，因此设置偏移量的想法是考虑到此处使用的数据代表要分析的真实数据的样本。

由于某种原因，偏移量不起作用。当我运行这个模型时，我得到了一个结果，但是当我运行相同的模型但没有偏移量时，我得到的结果与以前的模型完全相同。我期待一个不同的结果，但没有区别。

难道我做错了什么？偏移量是否应该与线性预测变量一起使用？像这样：

模型准备好后，我想将其与新数据一起使用。新数据将是验证此模型的数据，此数据具有相同的列。我的想法是使用：

我的问题来了，预测函数是否考虑了用于创建模型的偏移量？如果不是，我应该怎么做才能获得新数据的正确概率？

我已经编写了 SAS 代码来比较两组的结果测量（即反应时间 - rt）。但是，我们想考虑人口统计指标（即智商）来测试 rt 中的组差异是否实际上是由组间的智商差异驱动的。我想帮助我修改我的代码。我现有的用于计算 rt 中基本组差异的代码如下。我已经包含了使用 t-test sas 函数和 glm sas 函数的代码，它们得到了相似的结果。

我需要修改 t-test 函数或 glm 函数以在模型中包含“IQ”的帮助。

我有兴趣应用 Jackknife 分析来量化我的由逻辑回归估计的系数的不确定性。我正在使用 glm(family='binomial') 因为我的自变量是 0 - 1 格式。

我的数据集有 76000 个 obs，我使用 7 个自变量加上一个偏移量。这个想法涉及将数据拆分为 5 个随机子集，然后通过从数据集中一次删除一个子集来获得 7 个估计参数。然后我可以估计参数的不确定性。

我了解该程序，但我无法在 R 中执行此操作。

这是我适合的模型：

有谁知道我怎样才能做到这一点？

当我使用以下 R 代码时，

模型文件的大小将与数据一样多，在我的情况下为 1gig。如何删除model_glm结果中的数据部分，所以只能保存一个小文件。

正如 glm() 的文档所解释的，glm() 返回的值的 aic 组件不是有效的 AIC：

对于高斯、伽玛和逆高斯族，色散是从残余偏差估计的，参数的数量是系数的数量加一。对于高斯族，使用色散的 MLE，因此这是 AIC 的有效值，但对于 Gamma 和逆高斯族则不是。

因此，需要以其他方式获得有效的 AIC。

我正在从一组交互系数估计泊松模型，BMA 包的 bic.glm 有助于导航模型空间。我已经使用它多年了，但是当我昨晚将 R 从 2.10.x 更新到 2.14.2 时，它停止了工作。这是错误：首先，一个有效的调用：

现在 bic.glm 失败：

同样，这个确切的代码在具有五个系统的早期版本的 R 中工作。当我使用 4 个交互系统而不是 5 个运行 bic.glm（即，删除 x5 并折叠交互）时，bic.glm 运行良好。我将在下面包括五个系统数据。提前致谢。

我有以下变量：

回应：渔民租用（进出）的配额单位数量。

解释：渔民拥有的配额单位数量。

我安装了 GLM（泊松），但考虑到解释变量也是计数的，我不完全确定它是否正确。我发现泊松回归的例子只有分类和连续的解释变量，而不是计数变量。

所以：

1. 我对我的数据使用泊松是否正确？如果不是这样，我还有什么选择？
2. 我的模型的残差方差不均匀。我知道泊松回归允许面对这个问题，还是我应该关注这个问题并解决它（例如使用权重）？

任何帮助将不胜感激，

我无法从 rms 包中获得逻辑回归来使用 confint()，这是一个示例：

这给出了错误：

错误：$ 运算符对原子向量无效

traceback() 给出：

我猜 lrm() 模型没有实现 confint。

我的问题

有没有方便的替代方式？是否为 rms 包创建了其他替代方案？