AIC 与 drop1 函数和 AIC 函数不同

Question

我正在使用 drop1 逐步删除 glm 的变量。

从模型 1 中，我根据生成模型 2 的需要删除 AIC 最低的变量。

但是，当我比较两者的 AIC 时，模型 1 的 AIC 较低，并且从

drop1

报告的模型 2 的 AIC 和从

AIC()

报告的 AIC 不同。

我很困惑为什么这些 AIC 来自

drop1()

和

AIC()

的相同模型，以及如何进行模型选择？

谢谢

m1 <- glm(abundance ~ treatment + land_use + patch_size, data=df)

drop1(m1, test="F")

m2 <- glm(abundance ~ treatment + land_use, data=df)

AIC(m1) 

AIC(m2) ##this AIC varies from that reported in drop1() and is higher than AIC(m1)

Answer 1

drop1

函数使用

extractAIC

来获取AIC，而

AIC

函数使用不同的加性常数。请参阅

?extractAIC

的详细信息部分，特别是本段：

对于未知尺度的线性模型（即“lm”和“aov”），-2 log L 根据偏差计算并使用不同的加法 常量为“logLik”，因此为“AIC”。如果 RSS 表示（加权） 残差平方和，然后“extractAIC”用于 -2 log L 公式 RSS/s - n（对应于 Mallows' Cp）在已知的情况下 未知尺度的尺度 s 和 n log (RSS/n)。 “AIC”仅处理 未知比例并使用公式 nlog(RSS/n) + n + nlog 2pi - sum(log w) 其中 w 是权重。进一步‘AIC’计算规模 估计作为“edf”和“extractAIC”中的参数则不然。

然而，正如它继续说的：

请注意，此功能的方法可能有所不同 来自“AIC”方法的假设（通常via一种方法 为“logLik”）。我们已经提到过“lm”模型的情况 估计规模，并且“glm”和“glm”中也存在类似问题 “negbin”方法，其中色散参数可能是也可能不是 被视为“免费”。这并不重要，因为“extractAIC”仅用于 比较同级别车型（仅 AIC 值差异） 被考虑）。

因此，换句话说，您可以使用

drop1

实现自己的

AIC

函数，并且您会在各个子模型的 AIC 之间获得与使用内置 drop1 相同的

差异

。