如何解决GLM LM预测值之和与高色散
为什么预测值的总和与因变量的总和相同？
ctl <- c(4.17,5.58,5.18,6.11,4.50,4.61,5.17,4.53,5.33,5.14)
trt <- c(4.81,4.17,4.41,3.59,5.87,3.83,6.03,4.89,4.32,4.69)
group <- gl(2,10,20,labels = c("Ctl","Trt"))
weight <- c(ctl*100,trt*20)
lm.D9 <- glm(weight ~ group,family = gaussian())
summary(lm.D9)
y<-predict(lm.D9,newdata=group,type="response")
sum(weight)
sum(y)
分散性也很高（在我的实际数据中）。有什么线索可以解决这个问题吗？我的原始数据为实际模型与预期模型建立了联系。我尝试了2种不同的模型，
- 预期的依存率与具有高斯的GLM
- 实际-预期的差异是依存的。
但是在第二种情况下，色散很高，并且两个模型都无法验证。
帮助表示赞赏！
解决方法
您有两组，执行线性回归时，预测值是各组的平均值：
predict(lm.D9,newdata=data.frame(group=c("Ctl","Trt")))
1 2
503.20 93.22
您可以检查以下内容：
tapply(weight,group,mean)
Ctl Trt
503.20 93.22
如果您对预测值求和，本质上是观察值的数量*平均值，它可以为您返回所有值的总和。
我们可以检查数据的外观，对我来说看起来还可以，没有疯狂的异常值：
boxplot(weight ~ group)
您可以查看此post，以lm为单位的色散是残差平方的总和除以自由度，基本上是与预测值的偏差的平方：
sum(residuals(lm.D9)^2)/lm.D9$df.residual
[1] 1825.962
鉴于您的数据平均值为298.21，sqrt(1825.962) = 42.73128的平均偏差还可以
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。