时间戳

首页 > 解决方案 > 逻辑回归 (GLM) 输出：apa.reg.table

r - 逻辑回归 (GLM) 输出：apa.reg.table

问题描述

我一直在使用逻辑回归，并且想用完报告几个模型（“块”），以便我可以比较它们。

我发现 apa.reg.table 可以创建我希望看到的那种输出，但是，唉，当我运行 glm 模型时，我收到错误消息。当我运行回归时没有这样的错误消息。我对通过百分比变化比较这些块模型特别感兴趣，这在常规回归中运行良好。

问题：

  1. 有什么方法可以使用逻辑回归运行 apa.reg.table 吗？
  2. 如果没有，是否有人知道可用于帮助我实现目标的任何软件包或技术？

...在研究问题时，我运行了 iris 数据库：

data(iris)

...然后运行一系列四个连续的逻辑回归：

#Logistic regression models
MODEL_A<-glm(species~sepal.len, data=iris,, family=binomial())
MODEL_B<-glm(species~sepal.len+sepal.wid, data=iris, family=binomial())
MODEL_C<-glm(species~sepal.len+sepal.wid+petal.len, data=iris, family=binomial())
MODEL_D<-glm(species~sepal.len+sepal.wid+petal.len+petal.wid, data=iris, family=binomial())

apa.reg.table(MODEL_A,MODEL_B,MODEL_C,MODEL_D)

...但我收到以下错误消息：

#Error in if (F.value < 0) stop("Your 'F.value' is not correctly specified.") : 
# argument is of length zero
#In addition: Warning messages:
#1: Unknown or uninitialised column: 'r.squared'. 
#2: Unknown or uninitialised column: 'p.value'.

...它在常规回归分析中运行良好：

#regression models:
MODEL_B2<-lm(sepal.len~sepal.wid, data=iris)
MODEL_C2<-lm(sepal.len~sepal.wid+petal.len, data=iris)
MODEL_D2<-lm(sepal.len~sepal.wid+petal.len+petal.wid, data=iris)

#create table with regression models--no error messages:
apa.reg.table(MODEL_B2,MODEL_C2,MODEL_D2)

任何帮助将不胜感激。

标签： routputglm

解决方案

您可以尝试使用扫帚：

library(broom)

colnames(iris) =c("sepal.len","sepal.wid","petal.len","petal.wid","species")

MODEL_A<-glm(species~sepal.len, data=iris,, family=binomial())
MODEL_B<-glm(species~sepal.len+sepal.wid, data=iris, family=binomial())
MODEL_C<-glm(species~sepal.len+sepal.wid+petal.len, data=iris, family=binomial())
MODEL_D<-glm(species~sepal.len+sepal.wid+petal.len+petal.wid, data=iris, family=binomial())

您可以将它们放在列表中：

lapply(list(MODEL_A,MODEL_B,MODEL_C,MODEL_D),tidy)

或者：

library(dplyr)
library(purrr)

res = tibble(name=c("MODEL_A","MODEL_B","MODEL_C","MODEL_D"),
models=list(MODEL_A,MODEL_BMODEL_C,MODEL_D)) %>% 
mutate(coef=map(models,tidy),stats=map(models,glance))

`

然后：

res %>% unnest(coef)

res %>% unnest(stats)

推荐阅读