Почему значение p из анализа таблицы отклонений отличается от расчетного с помощью pchisq ()? - PullRequest
Новая
       61

Почему значение p из анализа таблицы отклонений отличается от расчетного с помощью pchisq ()?

0 голосов
/ 16 апреля 2019

Я изучаю модели GLM из статьи Lane (2002), и меня немного смущает анализ отклонений для модели Gamma-GLM.

В статье значение p ниже, чем P <0,001, но если мы использовали сообщенное отклонение, а также степени свободы для вычисления значения p с помощью функции <code>pchisq() в R, мы получимследующие результаты: 

> 1-pchisq(11.1057, 7)
[1] 0.1340744`

, а не P <0,001, о котором сообщается в документе. </p>

Я скопировал данные для репликации модели GLM, вот ссылка !и это код, который я использовал для генерации результатов: 

test <- read_csv("data/test_glm_gamma.csv", col_types = cols())

model.test <- glm(soil ~ trt, family = Gamma(link = "log"), data = test)

anova(model.test, test = "Chisq")

, который возвращает: 

Analysis of Deviance Table

Model: Gamma, link: log

Response: cont

Terms added sequentially (first to last)


     Df Deviance Resid. Df Resid. Dev  Pr(>Chi)    
NULL                    23    11.5897              
trt   7   11.106        16     0.4839 < 2.2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

с такими же отклонениями, как в статье, и я подозреваю, что аналогичное значение P, но этоне 0,13 , полученный ранее.

Проводится ли какое-либо преобразование перед вычислением значения P?Или я неправильно вычисляю значение p?Как они получают <2.2e-16 </strong> в таблице отклонений?

Лейн, PW (2002).Обобщенные линейные модели в почвоведении.Европейский журнал почвоведения, 53, 241–251.https://doi.org/10.1046/j.1365-2389.2002.00440.x

1 Ответ

0 голосов
/ 16 апреля 2019

Необходимо передать отклонение, вычисленное по дисперсии, в pchisq: 

p <- pchisq(anova(model.test)$Deviance[2]/
         summary(model.test)$dispersion, 
       anova(model.test)$Df[2], 
       lower.tail = FALSE)

p == anova(model.test, test = "Chisq")$`Pr(>Chi)`[2]
#[1] TRUE

. Вы можете изучить код stats:::stat.anova, чтобы увидеть, как рассчитываются значения p для различных тестов.

...