Eu conduzi um glm.nb por
glm1<-glm.nb(x~factor(group))
sendo o grupo uma categoria c e x uma variável métrica. Quando tento obter o resumo dos resultados, obtenho resultados ligeiramente diferentes, dependendo se uso summary()
ou nãosummary.glm
. summary(glm1)
me dá
...
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 0.1044 0.1519 0.687 0.4921
factor(gruppe)2 0.1580 0.2117 0.746 0.4555
factor(gruppe)3 0.3531 0.2085 1.693 0.0904 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for Negative Binomial(0.7109) family taken to be 1)
Considerando que summary.glm (glm1) me fornece
...
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.1044 0.1481 0.705 0.4817
factor(gruppe)2 0.1580 0.2065 0.765 0.4447
factor(gruppe)3 0.3531 0.2033 1.737 0.0835 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for Negative Binomial(0.7109) family taken to be 0.9509067)
Entendo o significado do parâmetro dispersão, mas não da linha
(Dispersion parameter for Negative Binomial(0.7109) family taken to be 0.9509067)
.
No manual diz que seria a dispersão estimada, mas parece uma estimativa ruim, pois 0,95 não está próximo de 0,7109 ou a dispersão estimada é algo diferente do parâmetro de dispersão estimado? Acho que preciso definir a dispersão em summary.nb(x, dispersion=)
algo, mas não tenho certeza se devo definir a dispersão como 1 (o que produzirá o mesmo resultado summary()
ou se devo inserir uma estimativa do parâmetro de dispersão, neste caso, levando a summary.nb(glm1, dispersion=0.7109)
ou algo mais? Ou estou bem apenas usando o summary(glm1)
?
fonte
Respostas:
summary.glm
"negbin"
summary.glm
dispersion
summary.glm
glm
family
glm.nb
"Negative Binomial(theta)"
summary.glm
no modelo montado porglm.nb
, no código"poisson"
"binomial"
summary.negbin
dispersion
Em segundo lugar, você entende mal a saída. Quando você vê
summary.negbin
negbin
fonte
expectativa
& variação
Como o @Momo aponta, o parâmetro de dispersão é outra coisa completamente diferente, que você deixaria variar para fazer uma estimativa de quase-probabilidade. Para o modelo binomial negativo e o modelo de Poisson (verdadeiro), é corretamente fixado em um valor de um.
fonte