R语言:glm.diag()函数中文帮助文档(中英文对照)

loveR

glm.diag(boot)
glm.diag()所属R语言包：boot

                                         Generalized Linear Model Diagnostics
                                         广义线性模型的诊断

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Calculates jackknife deviance residuals, standardized deviance residuals,  standardized Pearson residuals, approximate Cook statistic, leverage and estimated dispersion.
计算折刀偏差残差，标准化的偏差残差，标准化皮尔森残差，近似库克统计，利用和估计的分散性。


用法----------Usage----------


glm.diag(glmfit)



参数----------Arguments----------

参数：glmfit
glmfit is a glm.object - the result of a call to glm()  </table>
glmfit是glm.object - 一个glm()</ TABLE>调用的结果


值----------Value----------

Returns a list with the following components
返回一个与以下组件列表


参数：res
The vector of jackknife deviance residuals.  
折刀偏差残差向量。


参数：rd
The vector of standardized deviance residuals.  
标准偏差残差向量。


参数：rp
The vector of standardized Pearson residuals.  
标准化皮尔森残差向量。


参数：cook
The vector of approximate Cook statistics.  
向量近似库克统计。


参数：h
The vector of leverages of the observations.  
向量利用的意见。


参数：sd
The value used to standardize the residuals.  This is the estimate of residual standard deviation in the Gaussian family and is the square root of the estimated shape parameter in the Gamma family.  In all other cases it is 1.  </table>
该值用于标准化残差。这是高斯家族中的残留标准偏差估计是估计的伽玛家庭的形状参数的平方根。在所有其他情况下，它是1。 </ TABLE>


注意----------Note----------

See the help for glm.diag.plots for an example of the use of glm.diag.
看到glm.diag.plots使用glm.diag例如帮助。


参考文献----------References----------

In Statistical Theory and Modelling: In Honour of Sir David Cox. D.V. Hinkley, N. Reid and E.J. Snell (editors), 83&ndash;106.  Chapman and Hall.

参见----------See Also----------

glm, glm.diag.plots, summary.glm
glm，glm.diag.plots，summary.glm

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。

Hibiscus

{:soso_e179:}