Pruebe el modelo GLM utilizando dispositivos nulos y modelos

He construido un modelo glm en R y lo he probado usando un grupo de prueba y entrenamiento, así que estoy seguro de que funciona bien. Los resultados de R son:

Coefficients:
                            Estimate Std. Error  t value Pr(>|t|)    
(Intercept)               -2.781e+00  1.677e-02 -165.789  < 2e-16 ***
Coeff_A                    1.663e-05  5.438e-06    3.059  0.00222 ** 
log(Coeff_B)               8.925e-01  1.023e-02   87.245  < 2e-16 ***
log(Coeff_C)              -3.978e-01  7.695e-03  -51.689  < 2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for quasibinomial family taken to be 0.9995149)

    Null deviance: 256600  on 671266  degrees of freedom
Residual deviance: 237230  on 671263  degrees of freedom
AIC: NA

Todos los valores de p para los coeficientes son pequeños como se esperaba.

Al observar esta pregunta ( Interpretación de la desviación residual y nula en GLM R ), debería poder calcular si la hipótesis nula se cumple utilizando la siguiente ecuación:

p-value = 1 - pchisq(deviance, degrees of freedom)

Pegar esto da:

1 - pchisq(256600, 671266)
[1] 1

Entonces, ¿estoy en lo cierto al pensar que la hipótesis nula no puede rechazarse aquí, a pesar de que los valores de p para todos los coeficientes son tan pequeños o he malinterpretado cómo calcular esto?

Hay un malentendido aquí. La diferencia entre la desviación nula y la desviación del modelo se distribuye como un chi-cuadrado con grados de libertad iguales a la nula df menos la df del modelo. Para su modelo, eso sería:

1-pchisq(256600 - 237230, df=(671266 - 671263))
# [1] 0

Por defecto, pchisq()da la proporción de la distribución a la izquierda del valor. Para obtener la proporción más extrema que su diferencia, puede especificar lower.tail = FALSEo restar el resultado de (como lo hemos hecho usted y yo). $1$