Я просто пытаюсь пересчитать с помощью dnorm () логарифмическую вероятность, обеспечиваемую функцией logLik из модели lm (в R).
Это работает (почти идеально) для большого количества данных (например, n = 1000):
> n <- 1000
> x <- 1:n
> set.seed(1)
> y <- 10 + 2*x + rnorm(n, 0, 2)
> mod <- glm(y ~ x, family = gaussian)
> logLik(mod)
'log Lik.' -2145.562 (df=3)
> sigma <- sqrt(summary(mod)$dispersion)
> sum(log(dnorm(x = y, mean = predict(mod), sd = sigma)))
[1] -2145.563
> sum(log(dnorm(x = resid(mod), mean = 0, sd = sigma)))
[1] -2145.563
но для небольших наборов данных есть четкие различия:
> n <- 5
> x <- 1:n
> set.seed(1)
> y <- 10 + 2*x + rnorm(n, 0, 2)
>
> mod <- glm(y ~ x, family = gaussian)
> logLik(mod)
'log Lik.' -8.915768 (df=3)
> sigma <- sqrt(summary(mod)$dispersion)
> sum(log(dnorm(x = y, mean = predict(mod), sd = sigma)))
[1] -9.192832
> sum(log(dnorm(x = resid(mod), mean = 0, sd = sigma)))
[1] -9.192832
Из-за небольшого эффекта набора данных я думал, что это может быть связано с различиями в оценках остаточной дисперсии между lm и glm, но использование lm дает тот же результат, что и glm:
> modlm <- lm(y ~ x)
> logLik(modlm)
'log Lik.' -8.915768 (df=3)
>
> sigma <- summary(modlm)$sigma
> sum(log(dnorm(x = y, mean = predict(modlm), sd = sigma)))
[1] -9.192832
> sum(log(dnorm(x = resid(modlm), mean = 0, sd = sigma)))
[1] -9.192832
Где я не прав?
Спасибо Стефану за исправление, но оно все еще не работает
—
Жиль
попробуйте взглянуть на исходный код:
—
принято нормальным
stats:::logLik.glm
Я сделал это, но эта функция просто перевернула aic-слот из объекта glm, чтобы найти правдоподобие. И я не вижу ничего об aic в функции glm ...
—
Жиль
Я подозреваю, что это как-то связано с LogLik и AIC (которые связаны вместе на бедре), если предположить, что оцениваются три параметра (наклон, пересечение и дисперсия / остаточная стандартная ошибка), тогда как дисперсия / остаточная стандартная ошибка рассчитывается в предположении оцениваются два параметра (наклон и перехват).
—
Том
lm()