问题标签 [model-comparison]

I want to write a loop to get the lowest AIC value for the following model by changing the degrees of freedom, like df=2 in the definition of varknots1.

I just use random data here since I don't know how to upload my data. I am trying to learn to write loops my self, however, I never succeeded to make this one at present.

Could anyone here help me out with this problem?

我正在尝试对具有许多因素的负二项式模型进行逐步分析：

如果我只包含最多“fujim”的变量，则此代码有效，添加更多变量会导致此错误：

我对R相当不熟悉，那么这是什么意思？

我正在做一些探索性工作，我使用疏浚{MuMIn}。在此过程中，我想将两个变量设置为仅在它们之间存在相互作用时才允许一起使用，即它们不能仅作为主要影响一起存在。

使用示例数据：我想疏通模型 fm1（尽管它可能没有意义）。如果变量 GNP 和 Population 一起出现，它们还必须包括它们之间的交互作用。

我如何指定dredge()它应该忽略存在 GNP 和人口的所有模型，但不考虑它们之间的相互作用？

我想知道基于 AIC 和 BIC 值的最佳模型（m6）怎么可能有一个不重要的项，而第二好的模型（m5）有一个重要的项。

我有以下竞争模型列表：

这是模型比较

这里是m6

这里是 m5

我正在尝试在我的完整模型clogit（来自 package survival）上运行挖泥机，但每次尝试时 R 都会崩溃。我只是收到一条错误消息，说“R 遇到致命错误。会话已终止。”

这是我的代码。关于为什么会崩溃的任何想法，或者我可以在模型上运行完整挖泥机的其他方法？

谢谢你。

我对 SAS 有疑问proc logistic。

当我进行 OLS 回归并且一切正常时，我正在使用以下程序：

在这里，我希望 SAS 使用 25 个回归量 ( x1-x25) 的组合来估计所有可能的回归，其中模型中的回归量不超过 10 个。

基本上，我想做同样的事情（估计所有可能的模型有 25 个回归变量，模型中包含不超过 10 个，并在具有相应 AIC 的数据集中输出顶级模型），但使用逻辑回归。

我也知道我可以使用selection = scorein Proc Logistic，但我不确定outest=当时如何使用以及 Score Chi-square 是否真的是 cp 和 AIC in 的可靠替代品proc reg

到目前为止，我知道如何进行逐步/后向/前向逻辑回归，但这些方法并不适合我，而且它们在输出数据集中仅显示前 1 个模型，而我至少想要前 100 个模型。

任何帮助或建议将不胜感激！

我有包含 1 个响应变量和 10 个解释变量 (X) 的随机样本，我试图找到应用线性回归的最佳子集

拟合模型没有问题，但我需要每个子集的 y^s，所以我愿意接受任何建议，如何丢弃最不重要的变量并反复重新拟合模型，直到只有常数，但为每个子集保存 y^子集。

不需要整个脚本，那对我来说很愚蠢，我只是在寻找任何有用的功能。

谢谢大家。

翁德雷

我已经使用 R 中的 fitdistr 将正态分布拟合到我的索赔金额数据中。我如何拟合多元正态分布（二维正态分布）？我想使用 R 中的 AIC 选择最适合我的样本数据的那个。我该如何进行？我努力了

较小的 BIC 是更好的模型。但是如何根据这个 Mclust 结果计算 AIC。

我在 R 中执行一系列泊松回归，然后根据 AIC 对我的模型进行排名。但是我得到了这个结果：

每个模型分别给出截距而不是 AIC 的结果...

当我对 family=gaussian(identity) 做同样的事情时，我得到了结果。当我进行泊松回归时，为什么 AIC 不起作用？

任何帮助，将不胜感激。

我有一个非常复杂的问题（对我来说）。我编写了一个代码来计算给定数据集的插值。之后，它计算 Akaike 信息标准以检查哪个插值套件最好。

看起来像这样：

而且我不喜欢这段代码，因为如果我想更改多项式的根，我必须更改代码。我知道我必须在一开始就使用 for 循环，例如：

但我不知道如何将所有多项式保存到列表中。如果我知道我会用它来计算任何根的 def AIC()，那么我就能找到最适合我的数据的曲线。请帮助大家，它已经困扰我 2 周了。如果您有任何不清楚的地方，请询问。