Pearson 残差的平方和正好等于 Pearson$\chi^2$缺乏拟合的检验统计量。因此，如果您的拟合模型（即glm对象）被调用logistic.fit，则以下代码将返回测试统计信息：

sum(residuals(logistic.fit, type = "pearson")^2)

有关更多信息，请参阅文档residuals.glm，包括可用的其他残差。例如，代码

sum(residuals(logistic.fit, type = "deviance")^2)

会给你$G^2$检验统计量，和deviance(logistic.fit)提供的一样。

Pearson 统计量具有退化分布，因此一般不建议将其用于逻辑模型拟合优度。我更喜欢结构化测试（线性、可加性）。rms如果您想要综合测试，请参阅 R包residuals.lrm功能中实现的单自由度 le Cessie - van Houwelingen - Copas - Hosmer 未加权平方和测试。

谢谢，我没有意识到它很简单： sum(residuals(f1, type="pearson")^2) 但是请注意，Pearsons 残差取决于它是由协变量组还是由个人计算的。一个简单的例子：

m1 是一个矩阵（这是一个更大矩阵的头部）：

m1[1:4,1:8]

    x1 x2 x3 obs    pi   lev  yhat y
obs  1  1 44   5 0.359 0.131 1.795 2
obs  0  1 43  27 0.176 0.053 4.752 4
obs  0  1 53  15 0.219 0.062 3.285 1
obs  0  1 33  22 0.140 0.069 3.080 3

x1-3 是预测变量，obs 不是。每个组中的观察值，pi 是组成员的概率（从回归方程预测），lev 是杠杆，帽子矩阵的对角线，yhat 是预测的编号。（y = 1）在组中，y 是实际编号。

这将为您提供 Pearson's by group。注意如果 y==0: ' 会有什么不同$fun1 <- function(j){ if (m1[j,"y"] ==0){ # y=0 for this covariate pattern Pr1 <- sqrt( m1[i,"pi"] / (1-m1[i,"pi"])) Pr2 <- -sqrt (m1[i,"obs"]) res <- round( Pr1 * Pr2, 3) return(res) } else { Pr1 <- m1[j,"y"] - m1[j,"yhat"] Pr2 <- sqrt( m1[j,"yhat"] * ( 1-(m1[j,"pi"]) ) ) res <- round( Pr1/Pr2, 3) return(res) } }$'

因此

nr <-nrow(m1)
nr1 <- seq(1,nr)
Pr <- sapply(1:nrow[m1], FUN=fun1)
PrSj <- sum(Pr^2)

如果有大量具有 y=0 协变量模式的受试者，那么当使用“按组”而不是“按个人”方法计算时，皮隆残差将大得多。

参见例如 Hosmer & Lemeshow “Applied Logistic Regression”，Wiley，200。

您也可以使用c_hat(mod)它来提供与sum(residuals(mod, type = "pearson")^2).