« [その他]NBA | トップページ | [統計][R]Rによる混合効果ロジスティック回帰(その3) »

2008.04.08

[統計][R]Rによる混合効果ロジスティック回帰(その2)

 先の計算を、もう少し”ばらついた”データでもやってみる。
> mydata12
ID alive dead x1
1 1 2 8 1
2 2 5 5 2
3 3 6 4 3
4 4 9 1 4
5 5 3 7 3

というデータを使ってみる。

> glmm.res12x<-glmmML(cbind(alive,dead)~x1,family=binomial,cluster=ID,data=mydata12)
> glmm.res12x

Call: glmmML(formula = cbind(alive, dead) ~ x1, family = binomial, data = mydata12, cluster = ID)


coef se(coef) z Pr(>|z|)
(Intercept) -2.281 0.9803 -2.327 0.0200
x1 0.873 0.3539 2.467 0.0136

Standard deviation in mixing distribution: 0.1856
Std. Error: 0.8312

Residual deviance: 5.121 on 2 degrees of freedom AIC: 11.12

AICとResidual devianceの差は先の例と同じである。

 ところで、このデータをglmでやってみると以下のようになる。
> glm.res12x<-glm(cbind(alive,dead)~x1,family=binomial,data=mydata12)
> glm.res12x

Call: glm(formula = cbind(alive, dead) ~ x1, family = binomial, data = mydata12)

Coefficients:
(Intercept) x1
-2.2575 0.8628

Degrees of Freedom: 4 Total (i.e. Null); 3 Residual
Null Deviance: 13.26
Residual Deviance: 5.135 AIC: 21.64

なお、glmmMLの結果からも、glmを適用したときと同じ(clusterがなかったらという場合)Residual Devianceは、以下のように引っ張りだせる。
> glmm.res12x$cluster.null.deviance
[1] 5.135012

glmmMLとglmの結果では、Residual devianceはそんなに変わらないのに、AICはずっとglmmMLが小さい。

|

« [その他]NBA | トップページ | [統計][R]Rによる混合効果ロジスティック回帰(その3) »

コメント

この記事へのコメントは終了しました。

トラックバック


この記事へのトラックバック一覧です: [統計][R]Rによる混合効果ロジスティック回帰(その2):

« [その他]NBA | トップページ | [統計][R]Rによる混合効果ロジスティック回帰(その3) »