Secara khusus, saya ingin tahu apakah ada perbedaan antara lm(y ~ x1 + x2)
dan glm(y ~ x1 + x2, family=gaussian)
. Saya pikir kasus glm ini sama dengan lm. Apakah aku salah?
r
normal-distribution
generalized-linear-model
lm
pengguna3682457
sumber
sumber
Jawaban:
Sementara untuk bentuk spesifik dari model yang disebutkan dalam isi pertanyaan (yaitu
lm(y ~ x1 + x2)
vsglm(y ~ x1 + x2, family=gaussian)
), regresi dan GLM adalah model yang sama, pertanyaan judul menanyakan sesuatu yang sedikit lebih umum:Yang jawabannya adalah "Ya!".
Alasan mereka bisa berbeda adalah karena Anda juga dapat menentukan fungsi tautan di GLM. Ini memungkinkan Anda untuk mencocokkan bentuk-bentuk tertentu dari hubungan nonlinear antaray (atau lebih tepatnya bersyarat bersyarat) dan variabel- x ; sementara Anda dapat melakukan ini
nls
juga, tidak perlu untuk memulai nilai, terkadang konvergensi lebih baik (juga sintaksnya sedikit lebih mudah).Bandingkan, misalnya, model-model ini (Anda memiliki R jadi saya menganggap Anda dapat menjalankan ini sendiri):
Perhatikan bahwa pasangan pertama adalah model yang sama ( ), dan pasangan kedua adalah model yang sama ( dan pasangannya pada dasarnya sama di setiap pasangan.yi∼N(β0+β1x1i+β2x2i,σ2) yi∼N(exp(β0+β1x1i+β2x2i),σ2)
Jadi - dalam kaitannya dengan pertanyaan judul - Anda dapat memasukkan variasi model Gaussian yang jauh lebih luas dengan GLM daripada dengan regresi.
sumber
MASS::rlm
Jawaban singkatnya, mereka persis sama:
Jawaban yang lebih panjang; Fungsi glm cocok dengan model oleh MLE, namun, karena asumsi yang Anda buat tentang fungsi tautan (dalam hal ini normal), Anda berakhir dengan perkiraan OLS.
sumber
glm
adalahglm(y ~ x1 + x2, family = gaussian(link = "identity"))
.Dari jawaban @ Repmat, ringkasan model adalah sama, tetapi CI dari koefisien regresi dari
confint
sedikit berbeda antaralm
danglm
.lm
sementara distribusi normal digunakanglm
ketika membangun interval.sumber