我有兴趣应用折刀分析来量化通过逻辑回归估计的系数的不确定性 . 我使用glm（family ='binomial'）因为我的自变量是0-1格式 .
我的数据集有76000个obs，我使用7个独立变量加上一个偏移量 . 这个想法涉及将数据分成5个随机子集，然后通过从数据集中一次删除一个子集来获得7个估计参数 . 然后我可以估计参数的不确定性 .
我理解程序，但我无法在R中完成
这是我适合的模型：
glm(f_ocur ~ altitud + UTM_X + UTM_Y + j_sin + j_cos + temp_res + pp +
offset(log(1/off)), data = mydata, family = 'binomial')
有谁知道如何才能实现这一目标？
1 回答
Jackknifing逻辑回归模型是非常低效的 . 但是，一个简单的时间密集型方法将是这样的：
这是留一系数系数估算的矩阵 . 该矩阵的协方差矩阵估计参数估计的协方差矩阵 .
使用
glm的主力函数glm.fit可以显着改善时间 . 您可以通过线性化模型来进一步推进（使用一步估计，将牛顿Raphson算法中的niter限制为仅一次迭代，使用Jackknife SE，一步估算器仍然稳健，无偏，整个位......）