Пусть LL = логарифмическая вероятность
Вот краткое изложение того, что вы видите из итогового (glm.fit) вывода:
Нулевое отклонение = 2 (LL (насыщенная модель) - LL (нулевая модель)) при df = df_Sat - df_Null
Остаточное отклонение = 2 (LL (насыщенная модель) - LL (предлагаемая модель)) df = df_Sat - df_Proposed
Насыщенная Модель представляет собой модель , которая предполагает , каждую точку данных имеет свои собственные параметры (что означает , что вы п параметров для оценки.)
Null модель предполагает точные «обратную», в который принимает один параметр для всех точек данных, что означает , что вы только оценить 1 параметр.
Предлагаемая модель предполагает , что вы можете объяснить свои точки данных с р параметрами + свободным членом, так что у вас есть р + 1 параметры.
Если ваше нулевое отклонение действительно мало, это означает, что нулевая модель довольно хорошо объясняет данные. Аналогично с вашим остаточным отклонением .
Что на самом деле означает маленький? Если ваша модель "хорошая", то ваша девиантность составляет приблизительно Chi ^ 2 с (df_sat - df_model) степенями свободы.
Если вы хотите сравнить вашу нулевую модель с предложенной моделью, то вы можете посмотреть на
(Нулевое отклонение - Остаточное отклонение) прибл. Chi ^ 2 с df Предложено - df Null = (n- (p + 1)) - (n-1) = p
Результаты, которые вы дали непосредственно от R? Они кажутся немного странными, потому что, как правило, вы должны видеть, что степени свободы, сообщаемые для нулевого значения, всегда выше, чем степени свободы, сообщаемые для остаточного значения. Это потому, что опять Нулевое отклонение df = Насыщенный df - Нулевое df = n-1 Остаточное отклонение df = Насыщенный df - Предлагаемый df = n- (p + 1)
GLM
?