相关视频：R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险

即使X将P（Y = 1）从0.1变为0.9，McFadden的R平方仅为0.55。最后我们将尝试0.01和0.99的值 - 我称之为非常强大的效果！

set.seed（63126）
n < -  10000
x < -  1 *（runif（n）<0.5）
pr < - （x == 1）* 0.99 +（x == 0）* 0.01
y < -  1 *（ （n） pr）
mod < -  glm（y~x，family =“binomial”）
nullmod < -  glm（y~1，family =“binomial”）
1- （MOD）/  （ ）
[1] 0.9293177

现在我们有一个更接近1的值。 

分组二项数据与单个数据

data < -  data.frame（s = c（700,300），f = c（300,700），x = c（0,1））SFX
1 700 300 0
2 300 700 1

 为了使逻辑回归模型拟合R中的数据，我们可以将因变量传递给glm函数， ：

Call:
glm(formula = cbind(s, f) ~ x, family = "binomial", data = data)Deviance Residuals: 
[1]  0  0Coefficients:Estimate Std. Error z value Pr(>|z|)    
(Intercept)  0.84730    0.06901   12.28   <2e-16 ***
x           -1.69460    0.09759  -17.36   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)Null deviance: 3.2913e+02  on 1  degrees of freedom
Residual deviance: 1.3323e-13  on 0  degrees of freedom
AIC: 18.371Number of Fisher Scoring iterations: 2

我们现在将分组的二项式数据转换为 伯努利 数据，并拟合相同的逻辑回归模型。 

individualData <-  (cbind(data,y=0),cbind(data,y=1))
individualData$freq <- individualData$s
individualData$freq[ $y==0] <-  $f[individualData$y==0]
mod2 <- glm(y~x, family="binomial",data= ,weight=freq)
summary(mod2)Call:
glm(formula = y ~ x, family = "binomial", data = individualData, weights = freq)Deviance Residuals: 1       2       3       4  
-26.88  -22.35   22.35   26.88  Coefficients:Estimate Std. Error z value Pr(>|z|)    
(Intercept)  0.84730    0.06901   12.28   <2e-16 ***
x           -1.69460    0.09759  -17.36   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1(Dispersion parameter for binomial family taken to be 1)Null deviance: 2772.6  on 3  degrees of freedom
Residual deviance: 2443.5  on 2  degrees of freedom
AIC: 2447.5Number of Fisher Scoring iterations: 4

正如所料，我们从分组数据框中获得相同的参数估计和推论。 

nullmod1 <- glm(cbind(s,f)~1, family="binomial",data)
nullmod2 <- glm(y~1, family="binomial",data=individualData, =freq)
1-logLik(mod1)/logLik(nullmod1)
'log Lik.' 0.9581627 (df=2)
1-logLik(mod2)/logLik(nullmod2)
'log Lik.' 0.1187091 (df=2)

我们看到分组数据模型的R平方为0.96，而单个数据模型的R平方仅为0.12。