Фиксация линейно-линейной модели Пуассона

Я рассмотрел таблицу 2 на 2, и данные касаются частоты пульса студентов до и после работы. Я считал Ran (Да/Нет) против PulseBefore и PulseAfter и составлял таблицу непредвиденных расходов. Я установил линейную модель логарифма пуассонов и получил такой результат.Фиксация линейно-линейной модели Пуассона

inde<-glm(dat$Ran1~dat$Pulse1+dat$Pulse2,family=poisson) 
inde 

Call: glm(formula = dat$Ran1 ~ dat$Pulse1 + dat$Pulse2, family = poisson) 

Coefficients: 
(Intercept) dat$Pulse1 dat$Pulse2 
    -2.09795  -0.02745  0.02968 

Degrees of Freedom: 108 Total (i.e. Null); 106 Residual 
Null Deviance:  79.37 
Residual Deviance: 37.21  AIC: 135.2

Это правильно?

источник

2016-07-25 Shree

Возможно предсказать частоту импульсов 2 как функцию частоты пульса 1 плюс взаимодействие скорости 1 с тем, выполнялись ли они или нет. ('glm (Pulse2 ~ Pulse1 + Pulse1: Ran1, data = at, family = poisson)') –

@ Марк в поле. Если я рассмотрю эту модель, то как будет выглядеть моя таблица непредвиденных обстоятельств? Как определить модель эффекта строки и столбца? – Shree

Похоже, что было бы разумнее попытаться предсказать изменение частоты пульса от того, побежали ли они или нет.
Если вы действительно сделал хотят лечить Ран в качестве переменной отклика, это 0/1 поэтому граф Пуассона не будет очевидным выбором - бином модель (логистическая регрессия) имеет больше смысла.

источник

2016-07-25 06:11:43

Фиксация линейно-линейной модели Пуассона

ответ

Смежные вопросы