比较逻辑模型时的ANOVA函数对于Deviance没有p值

Posted 2021-04-18

我正在使用来自R的MASS库的活检数据集。我正处于创建逻辑回归模型的初始阶段，以查看哪些变量对患有恶性肿瘤的概率有影响。我删除了所有缺少数据的行（大约16个观察值）。所有变量本身都很重要，所以我从包含所有变量的最完整模型开始，第三个变量（V3 - 单元大小的均匀性）在这个最完整的模型中是最不重要的。

我删除了V3创建了另一个模型。然后我想使用anova（）函数来查看两个模型的拟合是否存在显着差异。但是，我从anova测试中得不到p值。这是否意味着p值几乎为1？我在模型设置中的某处出错了吗？

所有输入都表示赞赏！

#post removal of rows with missing data from biopsy in library(MASS)     
relevel(biopsy$class, ref = "malignant")
#assigns value of interst to malignant instead of benign. 
fullest.model = glm(biopsy$class~biopsy[,2]+biopsy[,3]+biopsy[,4]+biopsy[,5]+
                  biopsy[,6]+biopsy[,7]+biopsy[,8]+biopsy[,9]+biopsy[,10]
                ,family = binomial(link = "logit"))
model1 = glm(biopsy$class~biopsy[,2]+biopsy[,4]+biopsy[,5]+
           biopsy[,6]+biopsy[,7]+biopsy[,8]+biopsy[,9]+biopsy[,10]
         ,family = binomial(link = "logit"))
anova(model1, fullest.model)

输出我得到：

      Resid. Df Resid. Dev Df   Deviance
1       674     102.89              
2       673     102.89  1 0.00090001

^看不到p值!!

答案

1. 假设GLM y = 0.5 * x1 + 4 * x2，我们生成一些样本数据。 # Generate some sample data x1 <- 1:100; x2 <- gl(2, 50, 100); set.seed(2017); y <- 0.5 * x1 + 4 * as.numeric(x2) + rnorm(100);
2. 我们现在适合两种型号： fit1估计模型y = beta0 + beta1 * x1的系数， fit2估计模型y = beta0 + beta1 * x1 + beta2 * x2的系数。 # Fit two models fit1 <- glm(y ~ x1 + x2); fit2 <- glm(y ~ x1);
3. 执行ANOVA分析。 # Default ANOVA (note this does not perform any hypothesis test) anova(fit1, fit2); #Analysis of Deviance Table # #Model 1: y ~ x1 + x2 #Model 2: y ~ x1 # Resid. Df Resid. Dev Df Deviance #1 97 112.11 #2 98 213.39 -1 -101.28 # ANOVA with likelihood ratio test anova(fit1, fit2, test = "Chisq"); #Analysis of Deviance Table # #Model 1: y ~ x1 + x2 #Model 2: y ~ x1 # Resid. Df Resid. Dev Df Deviance Pr(>Chi) #1 97 112.11 #2 98 213.39 -1 -101.28 < 2.2e-16 *** #--- #Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 请注意，第一次ANOVA比较不执行任何假设检验。它只是计算两个模型之间偏差的变化。第二个ANOVA分析anova(..., test = "Chisq")通过计算观察卡方分布检验统计量（即偏差变化）为极端或更极端的概率，进行似然比检验（与anova(..., test = "LRT")相同）。后一个数量对应于您的假设检验的p值。
4. 最后，看看this link。它提供了有关如何执行和解释ANOVA分析输出的更多详细信息。