Øving 7

[Anonym]

Hei, når jeg gjør oppgave 1 i øving 7 får jeg opp feilmelding. Noen
som kan hjelpe?


> wildlife <-read.csv("/Users/Desktop/ST2304/wildlife-encounters.csv")
> attach(wildlife)
The following object(s) are masked _by_ '.GlobalEnv':

t
> modfox <- glm(fox~area + sex + hours + studyprogram,offset=log(t),binomial(link="cloglog"))

Error in model.frame.default(formula = fox ~ area + sex + hours +
studyprogram, :
variable lengths differ (found for '(offset)')
In addition: Warning message:
In log(t) : NaNs produced

[Jarle Tufto]

On Feb 23, 3:42 pm, Anonym <abba_cu...@hotmail.com> wrote:
> Hei, når jeg gjør oppgave 1 i øving 7 får jeg opp feilmelding. Noen
> som kan hjelpe?
>
> > wildlife <-read.csv("/Users/Desktop/ST2304/wildlife-encounters.csv")
> > attach(wildlife)
>
> The following object(s) are masked _by_ '.GlobalEnv':
>
>     t

Hei!

Dette skyldes at du allerede har opprettet en variabel med navn t i
workspacet, antakelig noe rusk som henger igjen fra forrige øving
e.l. Denne vil "skygge for" variabelen t i data.frame'n du attach.

> > modfox <- glm(fox~area + sex + hours + studyprogram,offset=log(t),binomial(link="cloglog"))
>
> Error in model.frame.default(formula = fox ~ area + sex + hours +
> studyprogram,  :
>   variable lengths differ (found for '(offset)')
> In addition: Warning message:
> In log(t) : NaNs produced

Så nar du refererer til t der du skriver offset=log(t) oven refererer
du til denne andre t'en. Siden denne t'en så har en annen lengde enn
t'en (og de andre forklaringsvariablene) du refererer til får du
feilmeldingen over.

Løsningen er å fjerne t ved å skrive

rm(t)

Da bli t'en i data.frame som du har attach'et igjen "synlig".

[Jarle Tufto]

Hvis du bruker samme working directory på hver øving kan det være en
ide å fjerne alle objekt i workspace't en gang i blant ved å skrive

rm(list=ls())

Kommandoen ls() gir det forøvrig en liste over alle objekter som du
har opprettet.

[Anonym]

Takk for raskt svar. Jeg får opp en ny error:

> drop1(moosemod,test="Chisq")
Single term deletions

Model:
moose ~ area + sex + studyprogram
Df Deviance AIC LRT Pr(>Chi)
<none> 38.184 50.184
area 3 41.445 47.445 3.2609 0.3531
sex 1 38.629 48.629 0.4445 0.5049
studyprogram 1 39.598 49.598 1.4135 0.2345
> add1(moosemod,test="Chisq")
Error in add1.glm(moosemod, test = "Chisq") :
argument "scope" is missing, with no default

[Jarle Tufto]

Her betyr feilmeldingen det den sier, nemlig at argumentet scope ikke
er oppgitt. add1 må jo vite hvilke forklaringsvariable du å ønsker å
legge til og dette spesifisere du med argumentet med formellt navn
scope (see ?add1), f.eks.

add1(moosemod, .~.+hours, test="Chisq")

Punktumene representer her de variablene som allereder er med i
modellen moosemod og variablene som kommer etter punktum(ene) de
variablene du ønsker vurder lagt til modellen. Se også handout 1.

[Anonym]

Hvis en kommer frem til at den reduserte modellen for elg er å fjerne
alle forklaringsvariable, er dette det samme som at nullhypotesen ikke
kan forkastes og alle forklaringsvariable er lik null? Hva vil dette
si ?


> moosemod <- glm(moose~1,offset=log(t),binomial(link="cloglog"))# redusert modell!
> add1(moosemod, .~.+sex+hours+area+studyprogram, test="Chisq")
Single term additions
Model:
moose ~ 1

Df Deviance AIC LRT Pr(>Chi)

<none> 43.476 45.476
sex 1 42.659 46.659 0.81743 0.3659
hours 1 42.719 46.719 0.75705 0.3843
area 3 40.444 48.444 3.03234 0.3867
studyprogram 1 41.829 45.829 1.64691 0.1994

[Jarle Tufto]

Ja, det betyr at vi ikke kan forkaste nullhypotesen at alle
regresjonskoeffisienter (for numeriske forklaringsvariable) er null og
at parametere som representerer effekt av gruppe 2 vs 1, 3 vs 1 o.s.v.
(for kategoriske forklaringsvariable) er null.

Så da står vi igjen med en modell hvor den lineære prediktoren bare
består av intercepten pluss offset variabelen log(t).

Men jeg tipper flere forklaringsvariable blir signifikant når flere
har lagt inn data så du kan jo avvente litt med å gjøre den endelige
analysen...

On Feb 23, 5:04 pm, Anonym <abba_cu...@hotmail.com> wrote:

[Anonym]

Hei, i oppgave 2 i øving 7, skal tanner variabelen tas med i modellen
for menarche? eller kun age?
Hvis kun age, hvorfor?

[Jarle Tufto]

Ideen er å gjøre det som i handout 4, altså uten tanner som
forklaringsvariabel. Da kan beta0 og beta1 regnes om til estimater av
mu og sigma (ligning 13). Så det som er er litt jobb er å bruke
deltametoden for å finne standardfeilene til disse estimatene. I
punkt 3 skal du lage et 95%-spredningsintervall for fordelingen til T.

[Jarle Tufto]

Om hensikten kun er å predikere sannsynlighet for hvorvidt en person
har hatt sin første menstruasjon vil en modell hvor både age og tanner-
stadium er med gi best prediksjoner (i og med begge variable er høyst
signifikante, se s. 241 i Dalg.). Men hensikten med oppgaven er å
illustere hvordan probit-link er naturlig i en modell hvor vi har en
underliggende latent normalfordelt variabel (her alder ved første
menstruasjon). Hvis vi inkluderer tanner-stadium som
forklaringsvariabel, se

http://en.wikipedia.org/wiki/Tanner_scale

som naturlig nok er sterkt korrelert med age kan ikke lenger intercept
og regresjonskoeffisient for effekt av age regnes om til mu og sigma i
den underliggende latente normalfordelingen til T...

On Feb 29, 10:15 am, Anonym <abba_cu...@hotmail.com> wrote:

[coron]

Hei, hvordan lager man et 95%-spredningsintervall? Hva er det? Står
det i Dalgaard?

[Jarle Tufto]

Se f.eks. s. 181 i Løvås. Alternativt kan du beregne 0.025- og 0.975-
kvantilene i en normalfordeling med parameter mu og sigma v.h.a.
qnorm.