Mi puoi dire quello che viene restituito dalla glm $ residui e resid (GLM) dove GLM è un oggetto quasipoisson. per esempio. Come dovrei crearli usando glm $ y e glm $ linear.predictors.
glm $ residui
n missing unique Mean .05 .10 .25 .50 .75 .90 .95
37715 10042 2174 -0,2574 -2,7538 -2,2661 -1,4480 -0,4381 0,7542 1,9845 2,7749
più basso: -4,243 -3,552 -3,509 -3,481 -3,464 più alto : 8,195 8,319 8,592 9,089 9,416
resid (GLM)
n missing unique Mean .05 .10 .25
37715 0 2048 -2.727e-10 -1.0000 -1.0000 -0.6276
.50 .75 .90 .95
-0,2080 0,4106 1,1766 1,7333
più basso: -1,0000 -0,8415 -0,8350 -0,8333 -0,8288 più alto: 7,2491 7,6110 7,6486 7,9574 10,1932
Questo è fantastico. Ora ho solo bisogno di sapere quando ogni tipo di residuo è più utile nella diagnostica di regressione. La raccomandazione del libro fatta da Adam in basso ("Modelli e estensioni generalizzate lineari" di Hardin e Hilbe) sembra utile, qualche altro suggerimento? –