У меня есть три параметра a, b и c. Каждый параметр является фактором с тремя категориями. Я хотел подогнать мультиномиальную регрессию с автомобильным пакетом.таблица ковариации для большего количества переменных
require(car)
a <- sample(3, 100, TRUE)
b <- sample(3, 100, TRUE)
c <- sample(3, 100, TRUE)
a <- as.factor(a)
b <- as.factor(b)
c <- as.factor(c)
testus <- multinom(c ~ a + b)
predictors <-
expand.grid(b=c("1","2","3","4","5"),a=c("1","2","3","4","5"))
p.fit <- predict(testus, predictors, type='probs')
probabilities<-data.frame(predictors,p.fit)
Теперь у меня есть предсказанные вероятности для a под b и c.
>
`head(probabilities)
> b a X1 X2 X3 X4 X5
>1 1 1 0.10609054 0.22599152 0.20107167 0.21953158 0.2473147
>2 2 1 0.20886614 0.27207108 0.08613633 0.18276394 0.2501625
>3 3 1 0.17041268 0.24995975 0.16234240 0.13111518 0.2861700
>4 4 1 0.23704078 0.21179521 0.08493274 0.03135092 0.4348804
>5 5 1 0.09494071 0.09659144 0.24162612 0.21812449 0.3487172
>6 1 2 0.14059489 0.17793438 0.29272452 0.26104833 0.1276979`
Первые два смещ_по_столбцам показывает категории независимых переменных а и Ь. Следующие пять colums показывают условные вероятности (PE P (C = 1 | Ь == 1 & & A == 1) = 0,10609
мне нужно дисперсию ковариации и сделал:.
vcov(testus)
2:(Intercept) 2:b2 2:b3 2:c2 2:c3 ....
2:(Intercept) .......................................
2:b2 ................................
2:b3 .................
2:c2 ..............
2:c3 .............
3:(Intercept) .............
....
Извините за вставку только части матрицы, но в противном случае это было бы длинным. То, что я хотел бы иметь, - это ковариационная матрица дисперсии для одновременного наблюдения двух переменных (vcov (a, b & c)). означает, что я хотел бы получить дисперсию (ковариацию) между моей переменной a и одновременным наблюдением b и c, как я создал с «вероятностями». Я хотел бы получить вывод
2:(Intercept) 2:b2&c2 2:b2&c3 ....
2:(Intercept) .......................................
2:b2&c2 ................................
2:b3&c3 .................
3:(Intercept) .............
....
Возможно ли это?
Вы должны начать с моделью взаимодействия, если вы хотите, что многие оцениваются параметры. –