R语言 weightedScores包 iee()函数中文帮助文档(中英文对照)

loveR

iee(weightedScores)
iee()所属R语言包：weightedScores

                                        INDEPENDENT ESTIMATING EQUATIONS FOR BINARY/POISSON/NEGATIVE BINOMIAL REGRESSION
                                         独立BINARY / POISSON /负二项回归估计方程

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------


用法----------Usage----------





参数----------Arguments----------

参数：xdat
(\mathbf{x}_1 ,  \mathbf{x}_2 , … ,   \mathbf{x}_n )^\top, where the matrix \mathbf{x}_i,\,i=1,…,n for a given unit will depend on the  times of observation for that unit (j_i) and will have number of rows j_i, each row corresponding to one of the j_i elements of y_i and p columns where p is the number of covariates including the unit first column  to account for the intercept. This xdat matrix is of dimension (N\times p), where N =∑_{i=1}^n j_i is the total number of observations from all units.
(\mathbf{x}_1 ,  \mathbf{x}_2 , … ,   \mathbf{x}_n )^\top，其中矩阵\mathbf{x}_i,\,i=1,…,n对于一个给定的单元将取决于观察的时间该单元（j_i）和将有j_i，对应每一行的行数j_i元素之一y_i和p列p是共变项包括单位的第一列用于拦截。此的XDAT矩阵是尺寸(N\times p),其中N =∑_{i=1}^n j_i是观测各单位的总数。


参数：ydat
(y_1 , y_2 , … , y_n )^\top, where the response  data vectors y_i,\,i=1,…,n are of possibly different lengths for different units.  In particular, we now have that y_i is (j_i \times 1), where j_i is the   number of observations on unit i. The total number of observations   from all units is N =∑_{i=1}^n j_i. The ydat are the collection of data   vectors y_i, i = 1,…,n one from each unit which summarize all the data together in a single, long vector of length N.
(y_1 , y_2 , … , y_n )^\top，其中的响应数据矢量y_i,\,i=1,…,n都可能有不同的长度为不同的单位。特别是，我们现在有y_i（j_i \times 1），其中j_i是单位i的若干意见。各单位总数的观测是N =∑_{i=1}^n j_i。 ydat是收集的数据向量y_i, i = 1,…,n总结各单位的所有数据一起在一个很长的向量的长度N。


参数：margmodel
Indicates the marginal model. Choices are “poisson” for Poisson, “bernoulli” for Bernoulli,  and  “nb1” , “nb2” for the NB1 and NB2 parametrization  of negative binomial in Cameron and Trivedi (1998).
表示的边际模式。选项是“泊”泊松，“伯努利”伯努利，和“NB1，NB2”为NB1和NB2参数化的负二项分布卡梅伦和Trivedi（1998）。


参数：link
The link function. Choices are “log” for the log link function, “logit” for  the logit link function, and “probit” for  the probit link function.
链接功能。选择“log”的log链接功能，“罗吉”的罗吉特链接功能，和“概率”的概率链接功能。


Details

详细信息----------Details----------

The univariate parameters  are
单变量参数


值----------Value----------

A list containing the following components: <table summary="R valueblock"> <tr valign="top"><td>coef</td> <td> The vector with the estimated regression parameters.</td></tr> <tr valign="top"><td>gam</td> <td> The estimate of &gamma; parameter of negative binomial distribution. This is NULL for Poisson and binary regression.</td></tr> </table>
一个列表，其中包含以下组件：<table summary="R valueblock"> <tr valign="top"> <TD> coef</ TD> <TD>向量回归参数的估计。</ TD > </ TR> <tr valign="top"> <TD>gam</ TD> <TD> &gamma;参数的负二项分布的估计。泊松分布和二元回归，这是NULL。</ TD> </ TR> </ TABLE>


（作者）----------Author(s)----------



Aristidis K. Nikoloulopoulos <a href="mailto:A.Nikoloulopoulos@uea.ac.uk">A.Nikoloulopoulos@uea.ac.uk</a><br>
Harry Joe <a href="mailto:harry.joe@ubc.ca">harry.joe@ubc.ca</a>




参考文献----------References----------

Cameron, A. C. and Trivedi, P. K. (1998) Regression Analysis of Count Data. Cambridge: Cambridge University Press.

参见----------See Also----------

bcl, cl1
bcl，cl1


实例----------Examples----------


## Not run: [＃不运行：]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      read and set up data set[读取和设置数据集]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
data(toenail)
# covariates[协变量]
xdat<-cbind(1,toenail$treat,toenail$time,toenail$treat*toenail$time)
# response[响应]
ydat<-toenail$y
#id[ID]
id<-toenail$id
#time[时间]
tvec<-toenail$time
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      select the marginal model[选择边际模型]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
margmodel="bernoulli"
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
#                      perform the IEE method[进行独立外部评价的方法]
################################################################################[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃ ＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃]
i.est<-iee(xdat,ydat,margmodel)
cat("\niest: IEE estimates\n")
print(c(i.est$reg,i.est$gam))

## End(Not run)[＃（不执行）]

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。