似然比检验统计模型

【问题标题】：Likelihood ratio test statsmodels似然比检验统计模型
【发布时间】：2014-07-11 06:41:51
【问题描述】：

在 statsmodels 中，普通最小二乘法实现了似然比检验

OLSResults.compare_lr_test(restricted)

这不适用于广义线性模型 (GLM)。我试图实现复制 OLS 实现：

from scipy import stats

llf_full = results.llf
llf_restr = results_res.llf
df_full = results.df_resid 
df_restr = results_res.df_resid 
lrdf = (df_restr - df_full)
lrstat = -2*(llf_restr - llf_full)
lr_pvalue = stats.chi2.sf(lrstat, df=lrdf)
lr_pvalue

它看起来很简单，但没有实现这一事实让我怀疑。这是正确的吗？

【问题讨论】：

标签： python statistics models statsmodels

【解决方案1】：

我没有发现任何问题。

广义线性模型是最大似然模型，如果规模是家庭暗示的规模。

statsmodels.GLM 目前不实施准似然方法，其中规模可能会偏离基础家族的规模，例如泊松过度分散，因此可以应用似然比检验。

实现细节：compare_lr_test 应该为所有 LikelihoodModels 添加，但我没有检查它是否对所有继承自它的模型正确（或引发异常）。

【讨论】：

好的，谢谢，我还是有点困惑，小 p 值告诉我，我应该更喜欢受限制的？？？我认为在 R 中情况正好相反。
如果 p 值很小，那么我们拒绝限制持有的 null，所以我们应该更喜欢无限制的模型。这个想法是，如果限制不成立，那么似然比检验统计量会更大，因为如果我们施加限制，我们会“松散”很多。