问题标签 [goodness-of-fit]

我（新手）正在尝试使用包对占用模型运行 McKenzie-Bailey 拟合优度测试AICcmodavg.无论我做什么，我都会收到一个关于参数的错误，ncores该参数指定在运行引导程序时使用多少计算核心。包信息说，如果留空，它将默认比可用内核少 1 个。我的电脑有4个核心。如果我指定任意数量的核心（我尝试过 0-4），我会收到一个错误，即参数未使用。如果我没有指定ncores，我会收到一个错误，它丢失了。代码如下，任何建议表示赞赏:)

统计错误（对象，...）：未使用的参数（ncores = ncores）

parboot(mod, statistic = function(i) mb.chisq(i)$chi.square, 中的错误：缺少参数“ncores”，没有默认值

首先，我不是统计学家，所以如果有一些我看不到的非常明显的东西，我深表歉意。如果您能指出我正确的方向，我将不胜感激！

我想计算我的多元逻辑模型的拟合度——它正在查看与某些环境变量（相位、风向和海况 = 分类、云 = 连续）和调查持续时间相关的二进制存在/不存在数据 (Sp3)：

为了表明模型与数据的拟合程度，我决定检查伪 r2 (Nagelkerke) 和 Hosmer-Lemeshow（因为调整后的 r2 不是正确的选择）：

通过低伪 r2 和显着的 HosLem 检验，我使用DHARMa package

我只是找不到重要的 HL 测试的原因，有人有什么想法吗？我也在检查其他物种，并且有一些甚至更多的零，但它们没有产生显着的 HL（尽管 Nagelkerke r2 甚至更低）。还有什么我需要检查的吗？

我已经对一些数据拟合了高斯分布和高斯混合分布，并根据经验数据绘制了模型 CDF，如下所示：

我试图使用 kstest 来量化和比较每个模型的拟合优度，但查看 scipys kstest 文档让我感到困惑。我是否像在其他帖子上看到的那样使用 kstest 或 ks_2samp？

编辑：对于上下文，我为一个示例 kstest 尝试过的代码是

其中 Y 是数据，y_cdf 是混合模型的 cdf，但是这给出了 1 个分量的 d 值低于 2 个分量的值，我很清楚 2 个分量的混合模型更适合，所以不应该 kstest 的 D 值更低？

我创建了以下模型：

但是，我根本不知道如何获取有关模型与数据的拟合程度的信息。

有谁知道如何做到这一点？

我生成了两个矩阵，并想将它们与给定的矩阵进行比较，看看哪个生成的矩阵更好。为了让事情变得复杂，给定的矩阵包含每个元素的“置信度”（这可能是值的分布）。例如，我知道给定矩阵的元素 (1,1) 是 100% 正确的，下一个元素在 0.8 和 1.2 之间均匀分布，第三个元素是正数但可以取任何值，等等。

也许使用某个拟合优度参数比较每个元素并将它们全部相加是有意义的。任何提示都非常受欢迎。

干杯

伦格

我正在研究一个具有序数响应的广义线性模型，并且我遇到了一些与 Hosmer Lemeshow 测试似乎有些不同的东西。我想知道是否有人可以解释为什么我会为同一模型获得不同的值。

首先，我在 R 中的 faraway 包中加载了债务数据集，并清理了数据以仅包含我想要在我的模型中的变量而没有缺失值。然后我对所需的变量运行 vglm 函数。问题是，我在第二次运行时以不同的顺序排列它们，当我对两个模型运行广义 Hosmer Lemeshow 测试时，我得到不同的值。请注意，我没有在两个模型中使用不同的变量，当我找到两个模型的摘要时，我得到了相同的参数估计值。

我正在批处理 1000 条数据。有时，峰值位置和幅度会发生剧烈变化，程序很难通过单个起点值找到这些峰值。我必须将我的数据分成更小的批次来更改起点值，这很耗时。

是否可以尝试各种起点值并选择具有最佳 rsquare 的起点值？

然后选择具有最佳 rsquare 的起点并绘制结果。

假设尺度参数是时间的函数，使用 Cunnane Plotting Position 和 Cramer von-Mises 拟合优度标准拟合 Gumbel 分布。

我的数据格式如下：

我感到困惑的是如何使比例参数成为时间的函数？

这是我的拟合优度测试：

我可以做到 nsim=99，然后我尝试 nsim=100，结果如下：

我想知道这是否是未标记包中的错误？

我有以下随机独立数据集：

-5.679853714 -4.575118363 -5.798602876 -4.552841969 -4.920818754 -4.431798276 -5.167491087 -6.420216403 -5.876148359 -6.283996656 -6.853871964 -6.744727495 -6.920818754 -5.826813732 -5.493494968 -5.694648631 -5.665546249 -5.598599459 -5.8569852 -5.649751982 -5.559090918 -5.782516056 -5.735182177 -5.730487056 -5.815308569 -5.586700236 -4.8569852 -6.455931956 -6.623423043 -5.548213564 -5.974694135 -5.742321425 -5.749579998 -6.632644079 -6.288192771 -5.958607315 -4.657577319 -4.899629455 -5.974694135 -5.673664139 -5.673664139 -5.66756154 -5.118615343 -5.129596095 -5.187086643 -5.795880017 -5.744727495 -5.677780705 -5.346787486 -5.769551079 -4.823908741 -5.552841969 -5.795880017 -5.853871964 -6.259637311 -6.113509275 -5.920818754 -7.89279003 -6.375717904 -5.301029996 -5.079354999 -5.049635146 -5.30980392 -5.477555766 -5.647817482 -5.170053304 -5.647817482 -5.68613278 -4.457174573 -3.739928612 -5.009217308 -5.055024092 -4.227678293 -4.603800653 -5.151195299 -4.987162775 -4.508638306 -4.443697499 -5.943095149 -6.397940009 -5.946921557 -5.607303047 -5.432973634 -5.684029655 -5.396855627 -5.346787486 -5.387216143 -5.318758763 -5.327902142 -5.251811973 -5.102372909 - 5.017728767 -4.958607315 -4.585026652 -4.619788758 -5.694648631 -7.190440285 -5.325138859 -7.060980224 -7.193820026 -4.769551079 -6.13667714 -5.508638306 -5.552841969 -6.173925197 -6.048662481 -5.43062609 -5.41453927 -5.415668776 -5.823908741 -5.721246399 -5.795880017318758763 -5.327902142 -5.251811973 -5.102372909 -5.017728767 -4.958607315 -4.585026652 -4.619788758 -5.694648631 -7.190440285 -5.325138859 -7.060980224 -7.193820026 -4.769551079 -6.13667714 -5.508638306 -5.552841969 -6.173925197 -6.048662481 -5.43062609 -5.41453927 -5.415668776 -5.823908741 -5.721246399 -5.795880017318758763 -5.327902142 -5.251811973 -5.102372909 -5.017728767 -4.958607315 -4.585026652 -4.619788758 -5.694648631 -7.190440285 -5.325138859 -7.060980224 -7.193820026 -4.769551079 -6.13667714 -5.508638306 -5.552841969 -6.173925197 -6.048662481 -5.43062609 -5.41453927 -5.415668776 -5.823908741 -5.721246399 -5.795880017

-6.124938737 -6.886056648 -5.920818754 -6.886056648 -7.477555766 -7.573488739 -4.946921557 -5.823908741 -5.334419009 -6.5086382906 -3.772

-4.913640169 -5.525783736 -5.962573502 -4.057991947 -4.841637508 -5.586700236 -4.247951552 -5.815308569 -5.651695137 -5.669586227 -4.970616222 -5.578396073 -5.397940009 -4.542118103 -5.301029996 -6.156767222 -4.787812396 -3.747146969

-3.180456064 -4.387216143 -2.718966633 -2.22184875 -4.116906641 -2.649751982 -2.617982957 -3.841637508 -4.238072162 -4.281498311 -4.326058001 -3.286509457 -4.141462802 -4.116338565 -4.108462542 -4.684029655 -5.116338565 -4.026410377 -4.474955193 -4.251811973 -4.443697499 -4.37675071 -2.642065153 -4.598599459 -3.882728704 -5.253365801 -5.308034897 -3.860120914 -3.974694135 -4.124938737 -4.823908741

-4.93930216 -3.638272164 -3.522878745 -3.638272164 -3.522878745 -4.522878745 -3.823908741 -4.795880017 -3.853871964 -4.7958809617 -5.30102

-3.13667714 -4.823908741 -4.630784143 -4.440093375 -4.229147988 -3.756961951 -4.175874166 -4.673664139 -5.777283529 -3.005243055 -4.508638306 -3.721246399 -3.823908741 -4.308034897 -4.271646218 -5.008773924 -3.492144128 -3.344861565 -4.823908741 -3.795880017 -4.251811973 -4.638272164 -4.22184875 -4.474955193 -2.500312917 -3.103473783 -5.435333936 -3.484126156 -4.853871964 -3.188424994 -4.188424994 -2.392544977 -4.13076828 -4.48148606 -5.107905397 -3.598599459 -4.806875402 -5.190440285 -3.356547324 -4.012333735 -3.528708289 -5.673664139 -4.443697499 -5.26520017 -4.443697499 -5.26520017 -4.498940738 -4.086186148 -5.396855627 -4.086186148 -3.329754147 -4.565431096 -3.742321425 -6.397940009 -5.772113295 -5.665546249 -5.089909454 -6.167491087 -4.987162775 -4.809668302 -5.698970004 -5.68613278 -4.71219827 -8.49757288 -8.139661993 -6.013228266

-6.443697499

-4.262807357 -5.735182177 -5.522878745 -4.231361899 -5.061980903 -4.390405591 -6.007004902 -5.747146969 -4.913640169 -6.0969101313 -6.096

-6 -3.251811973 -3.580044252 -6.653647026 -5.591760035 -5.605548319 -3.54515514 -3.37161107 -3.442492798 -3.595166283 -3.73754891 -3.872895202 -3.91721463 -3.684029655 -3.250263684 -3.826813732 -4.289882635 -4.931814138 -4.019996628 -3.381951903 -3.946921557 -2.698970004 -3.270025714 -3.307153081 -3.484126156 -3.125518182 -3.128427064 -3.255707017 -3.744727495 -4.308034897 -4.950781977 -4.484126156 -5.052566278 -4.692503962 -4.530177984 -4.804100348 -4.860120914 -4.882728704 -4.369572125 -4.978810701 -4.76700389 -4.338187314 -4.645891561 -4.966576245 -4.488116639 -4.692503962 -4.161780778 -4.591760035 -4.692503962 -4.228412519 -4.183096161 -4.253365801 -4.882728704 -4.253365801 -4.793174124 -3.404503778 -4.338187314 -3.663540266 -3.338187314 -3.484126156 -4.122053048 -4.161780778 -3.93930216 -4.744727495 -4.369572125 -4.161780778 -4.404503778 -4.369572125 -4.539102157 -4.627087997 -4.671620397 -5.795880017 -5.744727495 -5.744727495 -5.920818754 -5.677780705 -6.107905397 -3.744727495 -5.271646218 -4.595166283 -4.372634143 -4.289036881 -4.605548319 -3.416801226 -6.379863945 -3.244125144 -5.028260409 -3.015472687 -3.598599459 -4.444905551 -4.721246399

-4.107348966 -4.804100348 -4.735182177 -4.744727495 -3.370590401 -4.756961951 -5.815308569 -5.899629455 -5.866461092 -5.896196279 -5.806875402 -5.844663963 -5.829738285 -5.684029655 -5.543633967 -5.619788758 -3.860120914 -4.954677021 -5.062482108 -5.105683937 -6.173925197 -6.640164518

-5.673664139 -5.876148359 -4.903089987 -4.673664139 -4.987162775 -5.192464972 -4.522878745 -4.677780705 -4.397940009 -5.823908741 -4.866461092 -4.966576245 -5.931814138 -6.214670165 -5.721246399 -5.785156152 -3.698970004

当我进行分布时，它看起来接近正态分布，如下所示： sns.distplot(data, kde = True, bins = 40) 但是，当我尝试通过卡方或夏皮罗检验进行评估时，它显示非常低P 值。如何将我的数据与其他标准值相匹配？