Các hàm R phổ biến 4: Mô hình hồi qui logistic, binomial, Poisson

Dưới đây là một số hàm có thể dùng cho mô hình hồi qui logistic. Hàm glm trong R được dùng chủ yếu. Hàm glm không cung cấp OR và khoảng tin cậy 95%, nên chúng ta cần dùng hàm logistic.display trong package epicalc.  Ngoài glm, còn có hàm lrm trong package chuyên dụng rms (Frank Harrell).

Phân tích	Hàm R
Mô hình hồi qui logistic: biến y là nhị phân, biến x có thể là nhị phân hay liên tục	m = glm(y ~ x, family="binomial"); summary(m) library(epicalc) logistic.display(m)
Tính toán giá trị tiên lượng;vẽ biểu đồ	predict(m, type="response"); plot(x, fitted(glm(y ~ x, family="binomial")))
Mô hình hồi qui logistic đa biến với 3 biến x1, x2, x3	m = glm(y ~ x1 + x2 + x3, family="binomial"); summary(m)
Chọn mô hình “tối ưu” bằng phương pháp Bayesian Model Average	library(BMA); xvars = cbind(x1,x2,x3,x4,x5); bma = bic.glm(xvars, y, strict=F, OR=20,glm.family="binomial"); imageplot.bma(bma)
Mô hình hồi qui Poisson	age=c(19.5,29.5,39.5,49.5,59.5,69.5,79.5); cases = c(1, 16, 30, 71, 102, 130, 133); pop = c(172675, 123065, 96216, 92051, 72159, 54722, 32185); dat = data.frame(age, cases, pop) m = glm(cases ~ age + offset(log(pop)), family=poisson,data=dat) summary(fit)
Mô hình hồi qui Binomial	m = glm.nb(daysabs ~ math + prog, data = dat)) p = predict(m, newdata, type="response")

Mô hình hồi qui Poisson

p = read.csv("http://www.ats.ucla.edu/stat/data/poisson_sim.csv")

p = within(p, {

   prog <- factor(prog, levels=1:3, labels=c("General", "Academic", "Vocational"))

id <- factor(id)

})

m1 = glm(num_awards ~ prog + math, family="poisson", data=p))

p$phat = predict(m1, type="response")

p = p[with(p, order(prog, math)), ]

ggplot(p, aes(x = math, y = phat, colour = prog)) +

geom_point(aes(y = num_awards), alpha=.5, position=position_jitter(h=.2)) +

geom_line(size = 1) +

labs(x = "Math Score", y = "Expected number of awards")