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?