Modelos lineales generalizados (MLG).

Modelos para proporciones:MLGs Binomiales

Departamento de Estadı́stica - Facultad de Ciencias Fı́sicas y Matemáticas - Universidad de Concepción

UDEC-Semestre I 2020 Mat 523374 1/3

 función de probabilidad para una binomial

función de probabilidad para una binomial

 
m
P(y ; µ, m) = µmy (1 − µ)m(1−y )
my
donde m es desconcocido y φ = 1, y donde y = 0, m1 , m2 , ...1, y la proporción
esperada es 0 < µ < 1.
Un MLG es denotado glm(binomial; link), y es especificado en R usando
family = binomial() llamando a la función glm(). La respuesta binomial puede se
especificado en la función glm() se puede definir de una de las tres formas vistas en
clases anteriores:

UDEC-Semestre I 2020 Mat 523374 2/3

 función de probabilidad para una binomial

library(GLMsData)
data(turbines)
#help(turbines)
turbi.m1 <- glm( Fissures/Turbines ~ Hours, family=binomial,
weights=Turbines, data=turbines)
turbi.m2 <- glm( cbind(Fissures, Turbines-Fissures) ~ Hours,
family=binomial, data=turbines)
coef(turbi.m1)

## (Intercept) Hours
## -3.9235965551 0.0009992372

coef(turbi.m2)

## (Intercept) Hours
## -3.9235965551 0.0009992372

UDEC-Semestre I 2020 Mat 523374 2/3

 función de probabilidad para una binomial

#link diferent
tr.logit <- glm( Fissures/Turbines ~ Hours, data=turbines,
family=binomial, weights=Turbines)
tr.probit <- update( tr.logit, family=binomial(link="probit") )
tr.cll <- update( tr.logit, family=binomial(link="cloglog") )
tr.array <- rbind( coef(tr.logit), coef(tr.probit), coef(tr.cll))
tr.array <- cbind( tr.array, c(deviance(tr.logit),
deviance(tr.probit), deviance(tr.cll)) )
colnames(tr.array) <- c("Intercept", "Hours","Residual dev.")
rownames(tr.array) <- c("Logit","Probit","Comp log-log")
tr.array

## Intercept Hours Residual dev.

## Logit -3.923597 0.0009992372 10.331466
## Probit -2.275807 0.0005783211 9.814837
## Comp log-log -3.603280 0.0008104936 12.227914

newHrs <- seq( 0, 10000, length=100)

newdf <- data.frame(Hours=newHrs)
newP.logit <- predict( tr.logit, newdata=newdf, type="response")
newP.probit <- predict( tr.probit, newdata=newdf, type="response")
newP.cll <- predict( tr.cll, newdata=newdf, type="response")

UDEC-Semestre I 2020 Mat 523374 2/3

 función de probabilidad para una binomial

plot( Fissures/Turbines ~ Hours, data=turbines, pch=19, las=1,

xlim=c(0, 10000), ylim=c(0, 1),
xlab="Hours run", ylab="Proportion with fissures")
lines( newP.logit ~ newHrs, lty=1, lwd=2)
lines( newP.probit ~ newHrs, lty=2, lwd=2)
lines( newP.cll ~ newHrs, lty=5, lwd=2)
legend("topleft", lwd=2, lty=c(1, 2, 5),
legend=c("Logit","Probit","Comp. log-log"))

UDEC-Semestre I 2020 Mat 523374 2/3

 función de probabilidad para una binomial

Proportion with fissures

1.0
Logit
0.8 Probit
0.6 Comp. log−log

0.4
0.2
0.0

0 2000 4000 6000 8000 10000

Hours run

UDEC-Semestre I 2020 Mat 523374 2/3

 Interpretación de los parámetros

El GLM binomial usando la funcion logı́stica puede escribirse como

log (odds) = β0 + β1 x
o equivalentemente
odds = exp(β0 )exp(β1 )x
asi a medida que x aumenta en una unidad, el log-odds se incrementa linealmente
por una cantidad β1 .Alternativamente, si x se incremente por una unidad,el odds se
incrementa por el factor exp(β1 ). Estas interpretaciones en términos de
probabilidades tienen un atractivo intuitivo, y por esta razón, la función de enlace
logit a menudo se prefiere para la función de enlace.

UDEC-Semestre I 2020 Mat 523374 3/3

 Interpretación de los parámetros

coef(tr.logit)

## (Intercept) Hours
## -3.9235965551 0.0009992372

UDEC-Semestre I 2020 Mat 523374 3/3