逻辑回归 - glm 中的 cbind 命令答案

【问题标题】：Logistic regression - cbind command in glm逻辑回归 - glm 中的 cbind 命令
【发布时间】：2012-02-25 01:35:11
【问题描述】：

我在 R 中进行逻辑回归。有人可以澄清运行这两条线的区别是什么吗？

1. glm(Response ~ Temperature, data=temp, 
                    family = binomial(link="logit"))
2. glm(cbind(Response, n - Response) ~ Temperature, 
                    data=temp, family =binomial, Ntrials=n)

数据如下所示：（注意：响应是二进制的。0=Die 1=Not die）

Response  Temperature
0         24.61
1         39.61
1         39.50
0         22.71
0         21.61
1         39.70
1         36.73
1         33.32
0         21.73
1         49.61

【问题讨论】：

Paul...第一行很容易理解。 :)。我试图找出第二个，因为 R 中的一些示例使用了它。 AND..这两个产生不同的结果。 :)
@James 是对的，我相信。如果n 为 1，那么在这种情况下您应该得到完全相同的答案。一般来说，当您每次观察有多个试验时，您应该使用第二种形式。据我所知，Ntrials 参数是虚假的/不必要的。
非常感谢本。您能否进一步详细说明“不止一次的试验观察”是什么意思？ :)-
假设您的数据已分组，因此您在每个温度值下测量了多个个体（例如 10 个）；然后，您可能有十分之七的人在温度 22.71 下存活，因此您的估计将基于在 N = 10 次试验中以概率 p 存活的 7 人的二项式结果。通常当人们说“逻辑回归”时，他们指的是未分组的数据（N=1），为分组情况保留“二项式回归”，但这些术语在某种程度上可以互换......

标签： r regression glm

【解决方案1】：

在进行二项式或准二项式glm 时，您要么提供成功概率，要么提供一个两列矩阵，其中的列给出成功和失败的数量，或者提供一个因素，其中第一级表示失败，其他表示成功等式的左边。详情见?glm。

【讨论】：

请注意，当使用二项式 glm 的频率形式时，您应该在 weights 参数中提供每次试验的观察次数。它看起来像：glm(events/n ~ x, data=*, weights=n, ...)