propiedades de genlinnode

Última actualización: 11 feb 2025

Icono de nodo GenLin El modelo lineal generalizado (GenLin) expande el modelo lineal general para que la variable dependiente se relacione linealmente con los factores y las covariables a través de una función de enlace especificada. Además, el modelo permite que la variable dependiente tenga una distribución no normal. Cubre la funcionalidad de un amplio número de modelo estadísticos, incluyendo regresión lineal, regresión logística, modelos log lineales para recuento de datos y modelos de supervivencia censurados por intervalos.

Ejemplo

node = stream.create("genlin", "My node")
node.setPropertyValue("model_type", "MainAndAllTwoWayEffects")
node.setPropertyValue("offset_type", "Variable")
node.setPropertyValue("offset_field", "Claimant")

Tabla 1. propiedades de genlinnode
Propiedades de `genlinnode`	Valores	Descripción de la propiedad
`target`	campo	Los modelos GenLin requieren un único campo objetivo que debe ser un campo nominal o de identificador y uno o más campos de entrada. También se puede especificar un campo de ponderación. Consulte Propiedades comunes del nodo de modelado para obtener más información.
`use_weight`	distintivo
`weight_field`	campo	El tipo de campo es únicamente continuo.
`target_represents_trials`	distintivo
`trials_type`	`Variable` `FixedValue`
`trials_field`	campo	El tipo de campo es continuo, marca u ordinal.
`trials_number`	número	El valor predeterminado es 10.
`model_type`	`MainEffects` `MainAndAllTwoWayEffects`
`offset_type`	`Variable` `FixedValue`
`offset_field`	campo	El tipo de campo es únicamente continuo.
`offset_value`	número	Debe ser un número real.
`base_category`	`Last` `First`
`include_intercept`	distintivo
`mode`	`Simple` `Expert`
`distribution`	`BINOMIAL` `GAMMA` `IGAUSS` `NEGBIN` `NORMAL` `POISSON` `TWEEDIE` `MULTINOMIAL`	`IGAUSS`: Gauss inverso. `NEGBIN`: Binomial negativa.
`negbin_para_type`	`Specify` `Estimate`
`negbin_parameter`	número	El valor predeterminado es 1. Debe contener un número real no negativo.
`tweedie_parameter`	número
`link_function`	`IDENTITY` `CLOGLOG` `LOG` `LOGC` `LOGIT` `NEGBIN` `NLOGLOG` `ODDSPOWER` `PROBIT` `POWER` `CUMCAUCHIT` `CUMCLOGLOG` `CUMLOGIT` `CUMNLOGLOG` `CUMPROBIT`	`CLOGLOG`: log-log complementario. `LOGC`: complemento log. `NEGBIN`: Binomial negativa. `NLOGLOG`: Log-log negativo. `CUMCAUCHIT`: Cauchit acumulativo. `CUMCLOGLOG`: Log-log complementario acumulativo. `CUMLOGIT`: Logit acumulativo. `CUMNLOGLOG`: Log-log negativo acumulativo. `CUMPROBIT`: Probit acumulativo.
`power`	número	El valor debe ser real y distinto de cero.
`method`	`Hybrid` `Fisher` `NewtonRaphson`
`max_fisher_iterations`	número	El valor predeterminado es 1; sólo se admiten enteros positivos.
`scale_method`	`MaxLikelihoodEstimate` `Deviance` `PearsonChiSquare` `FixedValue`
`scale_value`	número	El valor predeterminado es 1; debe ser mayor que 0.
`covariance_matrix`	`ModelEstimator` `RobustEstimator`
`max_iterations`	número	El valor predeterminado es 100; sólo enteros no negativos.
`max_step_halving`	número	El valor predeterminado es 5; sólo enteros positivos.
`check_separation`	distintivo
`start_iteration`	número	El valor predeterminado es 20; sólo se admiten enteros positivos.
`estimates_change`	distintivo
`estimates_change_min`	número	El valor predeterminado es 1E-006; sólo se admiten números positivos.
`estimates_change_type`	`Absolute` `Relative`
`loglikelihood_change`	distintivo
`loglikelihood_change_min`	número	Sólo se admiten números positivos.
`loglikelihood_change_type`	`Absolute` `Relative`
`hessian_convergence`	distintivo
`hessian_convergence_min`	número	Sólo se admiten números positivos.
`hessian_convergence_type`	`Absolute` `Relative`
`case_summary`	distintivo
`contrast_matrices`	distintivo
`descriptive_statistics`	distintivo
`estimable_functions`	distintivo
`model_info`	distintivo
`iteration_history`	distintivo
`goodness_of_fit`	distintivo
`print_interval`	número	El valor predeterminado es 1; debe ser un entero positivo.
`model_summary`	distintivo
`lagrange_multiplier`	distintivo
`parameter_estimates`	distintivo
`include_exponential`	distintivo
`covariance_estimates`	distintivo
`correlation_estimates`	distintivo
`analysis_type`	`TypeI` `TypeIII` `TypeIAndTypeIII`
`statistics`	`Wald` `LR`
`citype`	`Wald` `Profile`
`tolerancelevel`	número	El valor predeterminado es 0.0001.
`confidence_interval`	número	El valor predeterminado es 95.
`loglikelihood_function`	`Full` `Kernel`
`singularity_tolerance`	`1E-007` `1E-008` `1E-009` `1E-010` `1E-011` `1E-012`
`value_order`	`Ascending` `Descending` `DataOrder`
`calculate_variable_importance`	distintivo
`calculate_raw_propensities`	distintivo
`calculate_adjusted_propensities`	distintivo
`adjusted_propensity_partition`	`Test` `Validation`

¿Fue útil el tema?

0/1000

EjemploCopy link to section

Ejemplo