我叫图欣。当我在 R 中进行分析时，我提出了几个问题。
我在 R 中进行了逻辑回归分析，并试图检查模型对数据的拟合程度。
但是，我被卡住了，因为我无法获得模型的伪 R 平方值，这可以让我对模型解释的变化有所了解。
您能否指导我如何实现这个值（用于逻辑回归分析的伪 R 平方）。如果您能向我展示一种获取模型的 Hosmer Lemeshow 统计数据的方法，那也会很有帮助。我找到了一个用户定义的函数来做到这一点，但如果有可能更快的方法，那将非常有帮助。
如果您能回答我的疑问，我将不胜感激。
热切地等待您的回复。
问候
看看Design包中的lrm()函数。它具有安装 GLM 所需的一切功能。Hosmer 和 Lemeshow 检验的功效有限，并且依赖于任意离散化；Harrell, Regression Modeling Strategies (p. 231) 和R-help邮件列表中对此进行了讨论。在逻辑回归模型的拟合优度测试的比较Stat 中，也有逻辑回归的 GoF 测试比较。医学。1997 年 16(9):965。
这是一个使用示例：
library(Design) # depends on Hmisc
x1 <- rnorm(500)
x2 <- rnorm(500)
L <- x1+abs(x2)
y <- ifelse(runif(500)<=plogis(L), 1, 0)
f <- lrm(y ~ x1+x2, x=TRUE, y=TRUE)
resid(f, 'gof')
这会产生类似的东西
Sum of squared errors Expected value|H0 SD
100.33517914 100.37281429 0.37641975
Z P
-0.09998187 0.92035872
但请参阅help(residuals.lrm)以获取更多帮助。
以下线程包含可能也有帮助的批判性讨论：逻辑回归：要报告哪个伪 R 平方度量（Cox & Snell 或 Nagelkerke）？
伪 R 平方很容易手动计算。您只需要根据二项式事件发生的平均概率查找基线的 -2LL 值。而且，实际的逻辑回归需要 -2LL 值。
假设基线的 -2LL 值为 10，Logistic 回归模型的值为 5。那么，伪 R 平方的计算为：(10 - 5)/10 = 50%。
另一种常见的 Pseudo R Square 度量是生成相同结果的 McFadden R Square。其计算为：1-(5/10) = 50%。
伪 R 平方测量确实可以告诉您，与简单地猜测每个观察值的平均发生概率相比，您的逻辑回归模型减少了多少错误。