Quiero realizar una regresión logística con la siguiente respuesta binomial y con y como mis predictores.
Puedo presentar los mismos datos que las respuestas de Bernoulli en el siguiente formato.
Las salidas de regresión logística para estos 2 conjuntos de datos son en su mayoría las mismas. Los residuos de desviación y AIC son diferentes. (La diferencia entre la desviación nula y la desviación residual es la misma en ambos casos: 0.228).
Los siguientes son los resultados de regresión de R. Los conjuntos de datos se denominan binom.data y bern.data.
Aquí está la salida binomial.
Call:
glm(formula = cbind(Successes, Trials - Successes) ~ X1 + X2,
family = binomial, data = binom.data)
Deviance Residuals:
[1] 0 0 0
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.9649 21.6072 -0.137 0.891
X1Yes -0.1897 2.5290 -0.075 0.940
X2 0.3596 1.9094 0.188 0.851
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2.2846e-01 on 2 degrees of freedom
Residual deviance: -4.9328e-32 on 0 degrees of freedom
AIC: 11.473
Number of Fisher Scoring iterations: 4
Aquí está la salida de Bernoulli.
Call:
glm(formula = Success ~ X1 + X2, family = binomial, data = bern.data)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.6651 -1.3537 0.7585 0.9281 1.0108
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.9649 21.6072 -0.137 0.891
X1Yes -0.1897 2.5290 -0.075 0.940
X2 0.3596 1.9094 0.188 0.851
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 15.276 on 11 degrees of freedom
Residual deviance: 15.048 on 9 degrees of freedom
AIC: 21.048
Number of Fisher Scoring iterations: 4
Mis preguntas:
1) Puedo ver que las estimaciones puntuales y los errores estándar entre los 2 enfoques son equivalentes en este caso particular. ¿Es esta equivalencia verdadera en general?
2) ¿Cómo puede justificarse matemáticamente la respuesta a la pregunta n. ° 1?
3) ¿Por qué los residuos de desviación y AIC son diferentes?