Porównywanie wyników regresji logistycznej

Budując modele, chcesz mieć więcej obserwacji niż estymowanych parametrów. Te dodatkowe zmienne nazywamy stopniami swobody.

Model z zbyt małą liczbą obserwacji może być przeuczony lub wręcz niemożliwy do dopasowania (co bywa określane mianem singularności). Co więcej, analiza stopni swobody pozwala zweryfikować dane i kod. Na przykład rozbieżność między stopniami swobody a oczekiwaną liczbą obserwacji może wskazywać na konieczność dodatkowego czyszczenia danych, błąd w kodzie lub problem z samym modelem.

Szerokie i długie formaty danych wejściowych dla funkcji glm() dają różne stopnie swobody, ponieważ różna liczba wierszy sprawia, że model inaczej interpretuje liczbę obserwacji.

W poprzednich ćwiczeniach dopasowywałeś regresję logistyczną przy użyciu trzech różnych formatów danych. Zostały one wczytane jako lr_1, lr_2 i lr_3. Przejrzyj podsumowania tych trzech modeli.

Jak stopnie swobody różnią się między modelami?

Możliwe odpowiedzi

Stopnie swobody są takie same dla wszystkich trzech modeli.

Stopnie swobody są większe dla danych w formacie długim (lr_1) niż dla pozostałych dwóch (lr_2 i lr_3).

Stopnie swobody są większe dla danych w formacie szerokim (lr_2 i lr_3) niż dla danych w formacie długim (lr_1).

ćwiczenie

Porównywanie wyników regresji logistycznej

Instrukcje

Możliwe odpowiedzi

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

Możliwe odpowiedzi

ćwiczenie