我想手动进行泊松回归,并定义一个函数,用于估计任意数量的系数。我有两个问题:
第一:如何获得beta矩阵,而不必显式地编写每个beta。我想以以下方式编写lambda lambda = exp(t(x)%*%beta)。我认为可以使用for循环,并为x中的每一列创建一个beta,并将它们相加成一个矩阵,但是我不知道如何编写代码。
第二: 由于我不知道如何为i beta编写代码,所以尝试编写了用于估计6个beta的函数。我使用warpbreaks数据集得到结果,但系数与glm中的系数不同,为什么?我还不知道应该把什么值粘贴到par中,也不知道为什么如果我不将x和y粘贴到函数中,optim就无法工作。
希望你能帮忙!
第一:如何获得beta矩阵,而不必显式地编写每个beta。我想以以下方式编写lambda lambda = exp(t(x)%*%beta)。我认为可以使用for循环,并为x中的每一列创建一个beta,并将它们相加成一个矩阵,但是我不知道如何编写代码。
第二: 由于我不知道如何为i beta编写代码,所以尝试编写了用于估计6个beta的函数。我使用warpbreaks数据集得到结果,但系数与glm中的系数不同,为什么?我还不知道应该把什么值粘贴到par中,也不知道为什么如果我不将x和y粘贴到函数中,optim就无法工作。
希望你能帮忙!
daten <- warpbreaks
LogLike <- function(y,x, par) {
beta <- par
# the deterministic part of the model:
lambda <- exp(beta%*%t(x))
# and here comes the negative log-likelihood of the whole dataset, given the
# model:
LL <- -sum(dpois(y, lambda, log = TRUE))
return(LL)
}
PoisMod<-function(formula, data){
# #formula
form <- formula(formula)
#
# # dataFrame
model <- model.frame(formula, data = data)
#
# # Designmatrix
x <- model.matrix(formula,data = data)
#
# # Response Variable
y <- model.response(model)
par <- rep(0,ncol(x))
call <- match.call()
koef <- optim(par=par,fn=LogLike,x=x,y=y)$par
estimation <- return(list("coefficients" = koef,"call"= call))
class(result) <- "PoisMod"
}
print.PoisMod <- function(x, ...) {
# Call
cat("Call:", "\n")
#
print(x$call)
#
cat("\n")
# Coefficients
cat("Coefficents:", "\n")
#
Koef <- (t(x$coefficients))
#
rownames(Koef) <- ""
#
print(round(Koef, 3))
}