R错误，表示“错误”；模型并非都适用于相同大小的数据集；

我创建了两个广义线性模型，如下所示：

glm1 <-glm(Y ~ X1 + X2 + X3, family=binomial(link=logit))

glm2 <-glm(Y ~ X1 + X2, family=binomial(link=logit))

但会收到一条错误消息：

anova.glmlist（c（列表（对象），点参数）中的错误，离散度=离散度，：
并非所有模型都适用于相同大小的数据集”

---

这意味着什么？如何修复？我在代码开头附加了数据集，因此两个模型都使用同一个数据集。

该错误的主要原因是一个或多个预测变量中缺少值。在R的最新版本中，默认操作是忽略所有具有缺少任何值（以前的默认值是产生错误）。因此，例如，如果数据帧有100行，而X3中缺少一个值，则模型glm1将适合99行数据（删除缺少X3的行），但glm2对象将适合全部100行数据（因为它不使用X3，所以不需要删除任何行）

因此，

anova

函数会给出一个错误，因为这两个模型适用于不同的数据集（以及如何计算自由度等）

一种解决方案是创建一个新的数据框，其中只包含至少一个模型中使用的列，并删除所有缺少值的行（通过

na.ommit

或

na.exclude

函数可以轻松实现），然后将两个模型适配到没有任何缺少值的同一数据框中

---

其他选择是查看用于多重插补的工具或处理缺失数据的其他方法。

我猜您的意思是键入：

glm1 <-glm(Y ~ X1+X2+X3, family=binomial(link=logit))

glm2 <-glm(Y ~ X1 + X2, family=binomial(link=logit))

---

glm1解决方案是使用：

glm1 <-glm(Y ~ X1 + X2 + X3, family = binomial(link = logit), na.action = na.exclude)
glm2 <-glm(Y ~ X1 + X2, family = binomial(link = logit), na.action = na.exclude)

anova(glm2,glm1)

glm1为避免
“模型未全部拟合到相同大小的数据集”
错误，必须将两个模型拟合到完全相同的数据子集上。有两种简单的方法：


在第二个模型拟合中使用
data=glm1$model
或者在第二个模型拟合中使用
data=na.omit（orig.data[，all.vars（公式（glm1））]）
检索正确的子集数据集

下面是一个使用
lm
（对于
glm
，同样的方法应该有效）和
update
的可复制示例：

# 1st approach
# define a convenience wrapper
update_nested <- function(object, formula., ..., evaluate = TRUE){
    update(object = object, formula. = formula., data = object$model, ..., evaluate = evaluate)
}

# prepare data with NAs
data(mtcars)
for(i in 1:ncol(mtcars)) mtcars[i,i] <- NA

xa <- lm(mpg~cyl+disp, mtcars)
xb <- update_nested(xa, .~.-cyl)
anova(xa, xb)
## Analysis of Variance Table
## 
## Model 1: mpg ~ cyl + disp
## Model 2: mpg ~ disp
##   Res.Df    RSS Df Sum of Sq      F  Pr(>F)  
## 1     26 256.91                              
## 2     27 301.32 -1   -44.411 4.4945 0.04371 *
## ---
## Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

# 2nd approach
xc <- update(xa, .~.-cyl, data=na.omit(mtcars[ , all.vars(formula(xa))]))
anova(xa, xc)
## Analysis of Variance Table
## 
## Model 1: mpg ~ cyl + disp
## Model 2: mpg ~ disp
##   Res.Df    RSS Df Sum of Sq      F  Pr(>F)  
## 1     26 256.91                              
## 2     27 301.32 -1   -44.411 4.4945 0.04371 *
## ---
## Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

#第一次进近
#定义一个方便的包装器
更新嵌套原因由Greg Snow很好地描述。另一个非常简单的解决方案是添加一个新变量，将有问题的变量的NA与值1匹配。将其包含在两个模型中，R将排除两个模型中相同的行（->数据集将匹配）.
我认为在不输入缺失值的情况下处理这种情况的最简单方法是使用tidyr的drop\u na（）函数创建一个新的数据集

对于此函数，将最终模型中需要的所有变量放入drop_na（）部分，它将删除任何相关变量中缺少值的行：

library(tidyr) #load in drop_na()

mtcars[1,2] <- NA #makes the first row of the cyl column become NA to illustrate

no_missing <- mtcars %>%
  drop_na(cyl)

glimpse(no_missing) #note, you only have 31 obs instead of 32 now

library（tidyr）#在drop_na（）中加载
mtcars[1,2]在旁注中，不要使用
attach（）
。此外，我假设您使用了
glm（Y~X1…
，而不仅仅是
（Y~X1…）
？为什么变量之间用逗号分隔？是的，我使用了逗号。很抱歉，我以前没有正确地将其张贴在这里。知道可能出了什么问题吗？没有看到您的数据或代码，没有。使用
附加
肯定会导致该问题。您需要在
glm
中使用
数据=您的数据，您不能使用用逗号分隔变量。谢谢，这很有解释性。当我停止使用attach并选择指定每个glm中的数据时，它似乎起作用了。这只是偶然发生的吗？此外，我希望从glm1和各种其他glm之间的方差分析中获得一个p值。我如何做到这一点？@Denis，使用
attach
，您可能需要e在全局环境/工作区中有一个同名变量，这会把事情搞得一团糟。不使用
attach
的原因之一。要从
anova
add
test=“Chisq”
，请参阅
？anova.glm
，了解详细信息（并确保您对假设感到满意）是的，我已经完成了所有这些错误，我还输入了：NA，OMIT= N.PASS，看我的数据中的空白单元格在R中处理不一样，但是没有用。有什么想法我可以做错事吗？我会使用<代码>数据< /C> >，这两个参数对于<代码> GLM都是相同的：调用：NA。“X1”、“X2”、“X3”）]`。这样，您就可以删除X1和X2中不在X3中的“额外情况”。我是否将此glm1放在一起？数据参数应该相同，公式应该不同。
na.exclude
方法不一定有效。试试这个：
mtcars[1,2]你是对的。它在这种情况下不起作用。但是它确实确保
predict
为数据中缺少值的数据点插入
NA
s。阅读
NA的文档。exclude
它注意到这只适用于连接到
resid的
naresid
和
napredict
和
预测
。显然，
方差分析
使用了其他方法。显然，必须首先对完整案例进行子集，例如使用
na.省略
。至少，我在中讨论了至少两种简单的方法。在这种情况下，这些方法似乎都不起作用：fit4=lm（ctmax~ta+ratectmax，data=x，na.action=na.exclude）直线fit5=lme-它给出了相同的错误，没有丢失数据。
library(tidyr) #load in drop_na()

mtcars[1,2] <- NA #makes the first row of the cyl column become NA to illustrate

no_missing <- mtcars %>%
  drop_na(cyl)

glimpse(no_missing) #note, you only have 31 obs instead of 32 now

library(tidyr)

mtcars[1,2] <- NA #makes the first row of the cyl column become NA to illustrate
mtcars[3,1] <- NA #makes the 3rd row of the mpg column become NA to illustrate

no_missing_2 <- mtcars %>%
  drop_na(mpg, cyl)

glimpse(no_missing_2) #now, you only have 30 obs