用于GLM的R中的AIC/AICc/BIC公式
我试图检查我是否理解R如何计算用于GLM的R中的AIC/AICc/BIC公式,r,glm,R,Glm,我试图检查我是否理解R如何计算glm()model对象的统计AIC、AICc(纠正的AIC)和BIC(这样我就可以对revoScaleR::rxGlm()对象执行相同的计算-尤其是AICc,它在默认情况下不可用) 我理解这些定义如下: 设p=模型参数的数量 设n=数据点的数量 AIC = deviance + 2p AICc = AIC + (2p^2 + 2p)/(n-p-1) BIC = deviance + 2p.log(n) 所以我尝试复制这些数字,并将它们与相应的R函数调用进行比
glm()
model对象的统计AIC、AICc(纠正的AIC)和BIC(这样我就可以对revoScaleR::rxGlm()
对象执行相同的计算-尤其是AICc,它在默认情况下不可用)
我理解这些定义如下:
设p
=模型参数的数量
设n
=数据点的数量
AIC = deviance + 2p
AICc = AIC + (2p^2 + 2p)/(n-p-1)
BIC = deviance + 2p.log(n)
所以我尝试复制这些数字,并将它们与相应的R函数调用进行比较。它不起作用:
library(AICcmodavg) # for the AICc() function
data(mtcars)
glm_a1 <- glm(mpg ~ cyl + disp + hp + drat + wt + qsec + vs + am + gear + carb,
data = mtcars,
family = gaussian(link = "identity"),
trace = TRUE)
summary(glm_a1)
n <- nrow(glm_a1$data) # 32
p <- glm_a1$rank # 11
dev <- glm_a1$deviance# 147.49
my_AIC <- dev + 2 * p
my_AICc <- my_AIC + (2 * p^2 + 2 * p)/(n - p - 1)
my_BIC <- dev + 2 * p * log(n)
AIC(glm_a1) # 163.71
my_AIC # 169.49
AICc(glm_a1) # 180.13 (from AICcmodavg package)
my_AICc # 182.69
BIC(glm_a1) # 181.30
my_BIC # 223.74
library(AICcmodavg)#用于AICc()函数
数据(mtcars)
glm_a1在extractAIC
手册中
其中:
- L是拟合的可能性,edf是拟合的等效自由度(即,常用参数模型的参数数量)
- 对于广义线性模型(即lm、aov和glm),-2log L是偏差,由偏差(拟合)计算得出
- k=2对应于传统的AIC,使用k=log(n)提供BIC(Bayes IC)
因此
在@user20650的评论和输入中编辑以下讨论
glm_a1$ranks
返回拟合参数的数量,而不考虑高斯族中使用的拟合方差
?glm
状态
偏差:高达常数,减去最大对数可能性的两倍。在合理的情况下,选择该常数,以使饱和模型的偏差为零
这就是为什么-2*logLik(glm_a1)-偏差(glm_a1)=7.78>0
summary(glm_a1)
返回高斯族的下一行色散参数,取值为7.023544
约为-2对数似然和偏差之间的差值
图书馆(AICcmodavg)
#>警告:包“AICcmodavg”是在R版本3.6.2下构建的
#>警告:找不到与从“光栅”导出的方法对应的函数:
#>“wkt”
数据(mtcars)
glm_a1偏差=147.4944次迭代-1
#>偏差=147.4944次迭代-2
(loglik‘log Lik.-69.85491(df=12)
#因此r使用的自由度是12而不是11
n[1]180.1309
函数,用于计算与处理glm()
一致的rxGlm()
对象的这些数量(调整偏差中的“最大恒定”差异):
wrc_信息\u标准注意,您可以从attributes(logLik(glm_a1))
中获得p
和n
。我认为op中的一些混淆是偏差(glm_a1)!=-2*logLik(glm_a1)
;所以看起来它是一个常数。@Alan;re AIC用于高斯模型。额外的参数用于方差项。请注意,它不会估计这一点,因为我们通常感兴趣的是AIC的差异,而不是绝对值。@Alan'?glm
表示偏差:高达一个常数,减去最大对数似然的两倍。在合理的情况下,选择该常数使饱和模型的偏差为零。“如果这有帮助的话,;/statistics中自由度的字面定义是@user20650所述的估计参数的数量,我们有11个变量和截距参数,还有一个额外的方差参数term@Alan在摘要中(glm_a1)
它为高斯族输出以下色散参数,取值为7.023544
,近似等于-2logLik(glm_a1)-偏差(glm_a1)
wrc_information_criteria <- function(rx_glm) # an object created by rxGlm()
{
# add 1 to parameter count for cases where the GLM scale parameter needs to be estimated (notably Gamma/gaussian)
extra_parameter_flag <- case_when(
rx_glm$family$family == "gaussian" ~ 1,
rx_glm$family$family == "Gamma" ~ 1,
rx_glm$family$family == "poisson" ~ 0,
rx_glm$family$family == "binomial" ~ 0,
TRUE ~ 999999999
)
n <- rx_glm$nValidObs
p <- rx_glm$rank + extra_parameter_flag
dev <- rx_glm$deviance
cat("\n")
cat("n :", n, "\n")
cat("p :", p, "\n")
cat("deviance:", dev, "\n")
AIC <- dev + 2 * p
AICc <- AIC + (2 * p^2 + 2 * p)/(n - p - 1)
BIC <- dev + p * log(n)
# make a constant adjustment to AIC/AICc/BIC to give consistency with R's built in AIC/BIC functions applied to glm objects
# can do this because rxGlm() supplies AIC already (consistent with R/glm()) - as long as computeAIC = TRUE in the function call
deviance_constant_adjustment <- rx_glm$aic[1] - AIC
AIC <- AIC + deviance_constant_adjustment
AICc <- AICc + deviance_constant_adjustment
BIC <- BIC + deviance_constant_adjustment
cat("\n")
cat("AIC: ", AIC , "\n")
cat("AICc:", AICc, "\n")
cat("BIC: ", BIC , "\n")
}
data(mtcars)
glm_a1 <- glm(mpg ~ cyl + disp + hp + drat + wt + qsec + vs + am + gear + carb,
data = mtcars,
family = gaussian(link = "identity"),
trace = TRUE)
glm_b1 <- rxGlm(mpg ~ cyl + disp + hp + drat + wt + qsec + vs + am + gear + carb,
data = mtcars,
family = gaussian(link = "identity"),
verbose = 1,
computeAIC = TRUE)
AIC(glm_a1)
AICc(glm_a1)
BIC(glm_a1)
wrc_information_criteria(glm_b1) # gives same results for glm_b1 as I got for glm_a1