1. 套件名称： MuMIn 2. 套件主要用途： "Model selection and model averaging based on information criteria (AICc and alike)" 此套件最主要的工作： 线性模型的变数选择提供很暴力或弹性的解决方案。 预设的选择指标是 AICc 值，但可以自行选用其它常见的指标。 3. 套件主要函数列表： a. dredge(full_model) 对 full_model 以特定的准则进行可能的 reduced model 之评量。 例如，full_model 有 3 个自变数， 则可以一次比较所有 7 个可能模型的 AICc 值， 帮助你选出最佳模型，而不是按传统的 step() 来进行。 b. get.models(dredge 的回传物件) 可以按特定的规则提取出经 dredge() 的较优良的模型。 会回传一个 list，之内每项为 model 同样物件。 c. importance(dredge 的回传物件) 取得各自变数「综合各模型」的重要性。 d. model.avg(dredge 或 get.models 的回传物件) 计算数个模型根据优良程度「加权平均」之系数， 分成 full average 和 conditional average 二类， 在 help(model.avg) 中有更多说明其不同之处。 在你无法选出一个最佳模型的时候会有作用。 4. 分享内容： library(MuMIn) # 建立一个一般线性模型 y ~ x1 + x2 + x3 + x4 + x5 # x1 到 x3 对 y 的重要性越来越低，x4 和 x5 是冗余的 N <- 100 set.seed(123) dt <- data.frame( x1 = runif(N), x2 = runif(N), x3 = runif(N), x4 = runif(N), x5 = runif(N) ) dt$y <- dt$x1 * rnorm(N, mean = 5, sd = 0.1) + dt$x2 * rnorm(N, mean = 20, sd = 5) + dt$x3 * rnorm(N, mean = 30, sd = 20) + rnorm(N) full.model <- lm( y ~ x1 + x2 + x3 + x4 + x5, data = dt, na.action = "na.fail" # 在有缺失值时可避免不全相同资料 ) dd1 <- dredge(full.model) dd1 # 暴力解所有可能模型 dd2 <- subset(dd1, delta < 4) dd2 # 只看 AICc 与最小 AICc 模型的差 4 之内的模型 get.models(dd1, delta < 4) # 同上，但回传的是 lm 物件 importance(dd2) # 在 dd2 各模型中自变数「累积」的重要性 model.avg(dd2) # 取得 dd2 之下的「平均模型」， # 另见手册中对「average」与「subset」之说明 5. 备注 我并不支持变数选择仅靠单一的指标进行， 所以对我来说这只是个参考工具。 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 220.135.110.74 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/R_Language/M.1480027332.A.E1A.html ※ 编辑: andrew43 (220.135.110.74), 11/25/2016 06:42:57