Site admin: motohiro PukiWiki 1.5.1 © 2001-2016 PukiWiki Development Team. Powered by PHP 7.4.33
HTML convert time: 0.061 sec.
個人メモを整理中です．不適切な記述が多々あるかと思います．お気づきの際は，ishida-m(plase put "atmark" here)ias.tokushima-u.ac.jp までご連絡ください．
Crawley S-PLUS p.187 - p.188
Crawley S-PLUS p. 191 - p.192
lm で，対象としたい変数を取り除いたモデルを update で生成すると その変数の 偏 SSR (regression sum of squares) が求まる。
これを SST で割り，平方に開けば良い。
Crawley S-PLUS p. 192
lm(X ~ 1)
Crawley S-PLUS p. 192
RSS は回帰によって説明されない変動，長谷川「多変量」 p.22
Warning: Locale not supported for XmbTextListToTextProperty Warning: Cannot convert XmString to compound text
http://s.isac.co.jp/FAQ/faq-0032.html を参照 http://S.isac.co.jp/docs-4.5/machdep_3.htmlを参照
その他，myTurboAMD.html の S-plus インストールを参照
まず detach し，次に rm する。逆に行なうと，
Problem: Object "factories" not found Use traceback() to see the call stack
とエラー表示
Crawley S-PLUS p.213
y ~ A/B y ~ A * A:B y ~ A + B %in % A
に等しい。
John Fox p.135 - 136 複数の要因からなるデータの nest は，ある要因の水準ごとに 別の要因の傾きを算出する。そして
A) すべての切片が 0 か B) ある要因のある水準に対する別の要因の傾きがすべて 0 か
を検定する。
ネストモデルについては三中先生のサイト
http://cse.niaes.affrc.go.jp/minaka/R/NestedANOVA.html
を参照
Crawley S-PLUS p.214 John Fox p. 132 下, p.136
y ~ x - 1
は説明変数が連続量の場合，切片を 0 にし，全体平均と 全体 deviance を算出するが，
すべての説明変数がカテゴリデータの場合，各レベルの平均を算出する。 ( -1 が無ければ，全平均，また平均からの差になる)。
Crawley S-PLUS p.237 -
回帰分析の結果を plot の引数に与えた場合の第三のプロットは， 分散が定数であるかを確かめるのに有効。
Crawley S-PLUS p.251 Faraway p.51 John Fox p.130
Dalgaard, S-Plus, p.181, p.155
summary() で表示された P 値は，表示順に関係なく削除可能。 これに対して anova() の場合は，表示順序が重要。
また高次の相互作用をチェックする場合，ある単独ファクターが有意でなくとも， それを含む高次作用が有意の場合は，その単独ファクターは残す。
Crawley S-PLUS p.269, p.270
要因A と要因Bの各レベル語とに組合せにおける実験回数が少ない場合
多少，適合値に対して分散が減少する傾向があっても問題ない。
Crawley S-PLUS p. 264
Crawley S-PLUS p.316
mode.1<- lm(growth ~ 1) AIC(model)
Crawley S-PLUS p.221, p.331
model<- aov(y ~ 1) model<- lm(y ~ 1)
Crawley S-PLUS p.333, p.340
y = u + b1 x1 + b2 x2 + b3 x3 + b4 x4
というモデルが想定される場合，五つのパラメータを想定する必要はない。 treatment mean は b1 を 0 と見なし，x1 の平均を u とし，他の b は，u との差と考える。
これに対して Helmert Contrasts は，
全体平均を最初のパラメータとし 最初と二つ目の平均の平均と，最初の平均との差を第二のパラメータ 最初と二つ目の平均の平均と，最初と二つ目さらに三つ目の平均の平均との差を第三のパラメータ 最初と二つ目さらに三つ目の平均の平均と，全体平均の差を第四のパラメータ
またコントラストを手作業で設定するのは John Fox p.143
他にもここを参照
Crawley S-PLUS p. 335
Crawley S-PLUS p.346
Crawley S-PLUS p.260, p.347
attach(splityield)
names(splityiled)
> names(splityield)
[1] "yield" "block" "irrigation" "density"
"fertilizer"
だとして
tapply(yield, list(block, irrigation), sum)
等のように使う。
list については他に crawley, S-Plus, p.406, p.414
Crawley S-PLUS p.348
Crawley S-PLUS p.214 - 216, 350.
Crawley S-PLUS p. 350
Crawley S-PLUS p.253, p.271, p. 351
Crawley S-PLUS p. 353
Block (= Plot) をさらに半分にして Split-Plot と呼ぶ。
Crawley S-PLUS p. 354
Crawley S-PLUS p.361
また fitted と predict の違いは Faraway p.36
Crawley S-PLUS p. 227, p. 366
ある変数の値 に その変数の値 をかけた値の総和 uncorrected sums of squares から その変数の総和の二乗をその変数の数で割ったものを引くと corrected sums of squares Corrected, uncorrected Sum os Squares の違いは，前者は変数の値からその平均を引いた偏差の二乗だが，後者は，変数の値そのものの自乗．
Crawley S-PLUS p. 394
Crawley S-PLUS p. 405
Crawley S-PLUS p.478
sample with replacement, 取り出した石をもとに戻す sample without replacement もとに戻さない Hypergeometric
Crawley S-PLUS p.489
break points を 0.5 間隔にする。
hist(mass, breaks = -0.5:16.5)
Faraway p.29, p.122 に的確な説明
単独モデルの場合 total deviance と residual deviance は それぞれ satured model との差を表している。
複数モデル比較の場合 Faraway p.30
「パラメータの少ない方のモデルがフィットしている」が帰無仮説
Crawley S-PLUS p.508, p. 516, p.526, p.539
regression 等ではモデルの当てはめ具合を SSE で測ったが， GLM では，binomial な proportion データについて deviance を用いる。
また p.526
Deviance is equivalent to sums of squares in linear models
p.539 には
total deviance と residual deviance の違い。
Faraway p.58
に単独のモデルについての deviance と， 二つの入れ子になったモデル(どちらかがパラメータが多い)を比較する場合の deviance について解説がある。
Crawley S-PLUS p.525
fail <- total - success y <- cbind(success, fail) model1 <- glm(y ~ explanatory,binomial)
Crawley S-PLUS p.251
ordered(target, levels = c("E","D","C","B","A"))
Crawley S-PLUS p. 526 Everit & Hothorn p.103 - 105.
dispersion parameter は 1 にセットされる。
なぜなら binomial, exponential, poisson では分散は，データ直接計算されるのではなく，平均の関数として定義されているからである。
residual deviance が residual degrees of freedom よりも大きい場合は overdispersion
この時，モデルの比較はデビアンスではなく，F検定量で行う (Faraway p.45)
dispersion パラメータの推定方法は Faraway, p.47, p.60
Crawley S-PLUS p.532
例えば三つの薬品のそれぞれについて，分量を変えながら，効果の割合を比較する。
Crawley S-PLUS p.545
0,1 からのみなるようなデータの場合同順位が多くなる。
Crawley S-PLUS p.548, p.577
glm.crss<- glm(c(22,61,69) ~1, family=poisson) 1- pchisq( glm.crss[13]$deviance, glm.crss[7]$df.residual)
あるいは
glm.crss<- glm( c(15,10,10,15) ~ 1, poisson) summary( glm.crss) 1 - pchisq(glm.crss$deviance, glm.crss$df.residual) [1] 0.5695988]
これは
pchisq(glm.crss$deviance, glm.crss$df.residual, lower = FALSE)
と同じこと
crawley, p.551
Crawley S-PLUS p.553
Crawley S-PLUS p.553
"With this many comparisons, I would always work at
p = 0.01 for significance, rather than p = 0.05 "
Crawley S-PLUS p.580
summary(p.580.model)
Call: glm(formula = cbind(relief, patients - relief)
~ treat, family = binomial)
Coefficients:
Value Std. Error t value
(Intercept) -1.067841 0.2471428 -4.320744
treatB 1.959839 0.3427433 5.718094
treatC 2.468734 0.3666004 6.734128
# これは Intercept と差
Crawley S-PLUS p.602
y ~ s(x) + s(y) + s(z) y ~ s + lo(w) + z
s は s smoother , lo は lo smoother を表す。
Crawley S-PLUS p.640
回帰分析をして，傾きに有意差があれば，そこにトレンドが認められる。
text 関数を使う。例えば
text(grexp.obs$N[nrow(grexp.obs) ] ,
grexp.obs$K[nrow(grexp.obs) ], labels = "grexp")
これはデータフレーム grexp.obs の N 列の最大値を X 軸に， grexp.obs の K 列の最大値を Y 軸にとり，その交点にテキスト grexp を表示する。
baayen.R を参照。
Crawley S-PLUS p.656
par(mar = c(5,4,4,5) + 0.1) としてマージンを広げ tsplot(cinnabar, ylab = "cinnabar") 最初のグラフを描き
par(new = T, xaxs = "d") として新しいプロットが先のプロットを上書きしないように設定
Ligges p. 103
X <- vector(mode = "list", length=10)
X <- vector(mode = "list", length=5)
# 5個の要素からなるリストを作成し
lapply(lapply(compare.K, "[", , 2 )
lapply(lapply(compare.K, "[", , "N" )
# リストの要素(データフレーム)のすべてから，
# すべての行の 2 列目(あるいはラベル名が N の列)を取り出す
lapply(lapply(compare.K, "[", , 2 ) , "max")
# リストから上記の条件で抽出した各要素について，
# その最大値を取り出す
max(as.numeric (lapply(lapply(compare.K, "[", , 1 ) ,
"max") ))
# 最終的に，リスト全要素の 2 列目の最大値を取り出す
Z.list の各要素はベクトルだとする。
unlist(Z.list) でベクトルが返される。
ちなみに sapply(Z.list, "[",1) は最初の要素をベクトルとして取り出す。
sapply(Z.list, "[") はリストの各要素(ベクトル)を列とした行列を生成する。
Z.data<- data.frame(sapply(Z.list, "["))
とすればデータフレームに変更可能
x <- "col"
y <- 1:5
z <- "th = 0"
xyz <- paste(x,y,z,sep="")
# xyz
# [1] "col1th = 0" "col2th = 0" "col3th = 0"
"col4th = 0" "col5th = 0"
xyz <- paste(xyz, collapse=",")
# xyz
# [1] "col1th = 0,col2th = 0,col3th = 0,
col4th = 0,col5th = 0"
d <- "data.frame("
d1 <- ")"
d2 <- paste(d,xyz,d1)
# d2
# [1] "data.frame( col1th = 0,col2th = 0,col3th = 0,
col4th = 0,col5th = 0 )"
parse(text =d2)
# parse(text =d2)
# expression(data.frame(col1th = 0, col2th = 0,
col3th = 0, col4th = 0,
# col5th = 0))
Z <- eval(parse(text =d2) )
# Z <- eval(parse(text =d2) )
# Z
# col1th col2th col3th col4th col5th
# 1 0 0 0 0 0
Ligges, p.54, p.91
例えばデータフレームの列名をベクトルに変換するには
Crawley S-PLUS p.682 の例から
pig<- read.table(
"/S/crawley/data/pig.txt",header=T)
attach( pig )
names( pig )
deparse( names( pig ))
# "c(\"Pig\", \"t1\", \"t2\", \"t3\", \"t4\", \"t5\",
\"t6\", \"t7\", \"t8\", \"t9\")"
parse(text = deparse( names( pig )))
#expression(c("Pig", "t1", "t2", "t3", "t4", "t5",
"t6", "t7", "t8", "t9"))
eval(parse(text = deparse( names( pig ))))
#[1] "Pig" "t1" "t2" "t3" "t4" "t5"
"t6" "t7" "t8" "t9"
parse(text = eval(parse(text = deparse( names( pig )))))
#expression(Pig, t1, t2, t3, t4, t5, t6, t7, t8, t9)
よって次のように行なう
pig.colnames < - eval(parse(text = deparse(names(pig))))
x1<- data.frame(y1 = c(1,2,3), y2 = c(11,22,33)) x2<- data.frame(y1 = c(4,5,6), y2 = c(44,55,66)) x3<- data.frame(y1 = c(7,8,9), y2 = c(77,88,99)) X123<- list(x1,x2,x3)
リスト X123 の各要素はベクトルだとする。
unlist(X123) でベクトルが返される。
# データフレームの各列をつなげる
unlist(x1)
あるいは
attach(x1)
z<- NULL
for(i in 1:2){
z<- c(z, get(paste("y", i ,sep="")))
}
# 列数が少ないなら
c(y1,y2) #でも OK
> rep(c("Carroll","Dickens", "Eliot", "Bronte",
"Stevenson", "Gaskell"), rep(3,6))
あるいは
> rep(c("Carroll","Dickens", "Eliot", "Bronte",
"Stevenson", "Gaskell"),each = 3)
Crawley S-PLUS p.37 Maindonald 旧版 p.305 Ligges p.54
例えば strtrim(labs,2) は文字列ベクトル labs のそれぞれの要素の最初の二文字を取り出す。
Crawley S-PLUS p.38
abbreviate(str)
松原 「統計学の考え方」, p82 - p.84
> ftable(p.73)
death Y N
suspect victim
Wh wH 19 132
bL 0 9
Bl wH 11 52
bL 6 97
m2 iterations: deviation 8.881784e-16
$lrt
[1] 0
$pearson
[1] 0
$df
[1] 0
$margin
$margin[[1]]
[1] 1
$margin[[2]]
[1] 2
$margin[[3]]
[1] 1 2
loglin(matu, c(1,2), param =T) 2 iterations: deviation 0 $lrt [1] 0.1658080 $pearson [1] 0.1690821 $df [1] 1
あるいは
library(MASS)
matu<- array(data=c(4,6,20,40),
dim=c(2,2), dimnames = list(Row =c("a1","a2"),
Col = c("b1", "b2")) )
loglm(~Row + Col, data = matu)
x<- array(data=c(15, 10, 10, 15), dim=c(2,2))
# = x<- matrix(c(4,6,20,40), nrow = 2)
kekka<- loglin(x, c(1,2), param =T)
1 -pchisq(kekka$lrt,kekka$df)# 対数尤度比 G による検定結果
1 -pchisq(kekka$pearson,kekka$df)# カイ二乗検定による検定結果
R-wiki
R の基本パッケージ base, stats 中の時系列オブジェクトの簡易解説
時系列データに関する最も基本的な統計量は
自己共分散(auto-covariance)と
自己相関係数(auto-correlation)である。
R の関連する関数は acf(), pacf(), ccf() である。
関数 acf() は時系列オブジェクトの自己共分散と自己相関係数を計算
既定でそれをプロットする。
関数 pacf() は 偏自己相関係数(partial autocorrelations)を計算
関数 ccf() は二つの一次元時系列間のクロス相関係数
(cross-correlation)と
クロス共分散(cross-cavarinace)を計算する。
acf(x, lag.max = NULL,
type = c("correlation", "covariance", "partial"),
plot = TRUE, na.action = na.fail,
demean = TRUE, ...)
pacf(x, lag.max = NULL, plot = TRUE,
na.action = na.fail, ...)
ccf(x, y, lag.max = NULL,
type = c("correlation", "covariance"),
plot = TRUE, na.action = na.fail, ...)
John Fox p.134
summary(prestige.mod.3)
Call:
lm(formula = prestige ~ income + education + type
+ income:type + education:type)
Residuals:
Min 1Q Median 3Q Max
-13.462 -4.225 1.346 3.826 19.631
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.276e+00 7.057e+00 0.323 0.7478
income 3.522e-03 5.563e-04 6.332 9.62e-09 ***
education 1.713e+00 9.572e-01 1.790 0.0769 .
typeprof 1.535e+01 1.372e+01 1.119 0.2660
typewc -3.354e+01 1.765e+01 -1.900 0.0607 .
income:typeprof -2.903e-03 5.989e-04 -4.847 5.28e-06 ***
income:typewc -2.072e-03 8.940e-04 -2.318 0.0228 *
education:typeprof 1.388e+00 1.289e+00 1.077 0.2844
education:typewc 4.291e+00 1.757e+00 2.442 0.0166 *
例えば，ここでは，Intercept は type要因の bc 水準で，これがベース income, education は type要因の bc 水準の時の傾き typeprf, typewc は切片との差 income:typeprof は，type要因の prof 水準の時の傾き
Dalgaard, p.178
Call:
lm(formula = log10(diameter) ~ log10(conc) * glucose,
data = hellung)
Residuals:
Min 1Q Median 3Q Max
-2.672e-02 -4.888e-03 5.598e-05 3.767e-03 1.761e-02
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.627926 0.033754 48.230 < 2e-16 ***
log10(conc) -0.046716 0.006846 -6.823 1.51e-08 ***
glucose 0.003418 0.023695 0.144 0.886
log10(conc):glucose -0.006480 0.004821 -1.344 0.185
まず最初の二つは glucose があるデータの切片と傾き，次の二つはない場合の切片と傾き
二つの切片の差は 0.003418 , 傾きの差は -0.006480 差は二つとも有意でない(0.88, 0.185)
Crawley S-PLUS p.677
options(contrasts=c("contr.treatment","contr.poly"))
Call: lm(formula = Weight ~ Age * Genotype)
Residuals:
Min 1Q Median 3Q Max
-0.7787 -0.3986 -0.01139 0.4055 0.8445
Coefficients:
Value Std. Error t value Pr(>|t|)
(Intercept) 7.5407 0.3853 19.5724 0.0000
Age 0.2931 0.1162 2.5230 0.0150
GenotypeCloneB 1.0401 0.5449 1.9090 0.0623
GenotypeCloneC -0.9487 0.5449 -1.7411 0.0881
GenotypeCloneD 0.5883 0.5449 1.0797 0.2857
GenotypeCloneE -0.9587 0.5449 -1.7596 0.0849
GenotypeCloneF 1.5693 0.5449 2.8802 0.0059
AgeGenotypeCloneB -0.0241 0.1643 -0.1468 0.8839
AgeGenotypeCloneC -0.0316 0.1643 -0.1926 0.8481
AgeGenotypeCloneD 0.0786 0.1643 0.4782 0.6347
AgeGenotypeCloneE 0.0278 0.1643 0.1690 0.8665
AgeGenotypeCloneF -0.0116 0.1643 -0.0705 0.9441
ここで (Intercept) はGenotypeCloneA を基準とした ベースとなる切片 Age はベースとなる傾き AgeGenotypeClone?* は交互作用で，ベースとなる傾きに対する差
ここも参照
また多重回帰分析の場合は，切片以外の項はその変数に対する傾き
as.numeric(as.factor(string.vector))
要因をまとめる crawley, S-Plus, p.301
newgen<- factor(1+(Genotype=="CloneB")+(Genotype=="CloneD")
+ 2*(Genotype=="CloneC")+2*(Genotype=="CloneE")
+ 3*(Genotype=="CloneF"))
Crawley, S-Plus, p.679, p.690 - 691
anova(k.model1, k.model2 ) # crawley, p.679 複雑なモデル k.model2 が AIC が小さくて better # 説明力( ## Model df AIC BIC logLik Test L.Ratio p-value #k.model1 1 3 2525.512 2537.162 -1259.756 #k.model2 2 4 1932.097 1947.630 -962.048 1 vs 2 595.4153
しかし AIC が低くても，p-value が大きければ，説明力はない
http://www.math.aau.dk/~dethlef/Links/latex_figures.html
There are two possibilities for directly producing a
PostScript version of an Splus graphic:
use the menu in the graphics window, with the print
command set to "echo",
so the graph is saved to a file (ps.out.001.ps etc.)
instead of being sent to the printer.
Alternatively, from a program use something like:
postscript(file="foo.ps", horiz=F, onefile=F, print.it=F)
plot...
dev.off()
unix("ps2epsi ./foo.ps ./foo.eps")
The output will be written to the specified file. It may be useful to process the PostScript file with the ps2epsi program (supplied with ghostscript) before including it into latex, since Splus tends to leave large margins: ps2epsi foo.ps foo.eps This also adds a bitmap version of the image, which is apparently used by certain Macintosh software to display it on the screen.
http://www.uni-muenster.de/ZIV/Mitarbeiter/BennoSueselbeck/s-html/helpfiles/unix.html
# create a character vector from the contents of a file,
# one element of the vector per line of the file
unix("cat myfile")
unix("cat myfile",output=F) # same as
!cat myfile
unix("more", c("line 1", "here is line 2", "and line 3"), F)
# C shell commands will work if S_SHELL is set to "/bin/csh"
# (You can set S_SHELL explicitly, or let it default to
SHELL or /bin/sh)
!alias # works if S_SHELL is /bin/csh
# You can use unix.shell in place of unix to run csh commands
unix.shell(command = "alias", shell = "/bin/csh", out=F)
# You can make a convenient function to run csh
commands
"csh"<-
function(cmd, ...)
{
unix.shell(command = cmd, shell = "/bin/csh", ...)
}
以下からの引用です！ http://www.msi.co.jp/splus/support/salon/mcourse/mc12.html
par(mar=c(2, 3, 2, 2)) # 余白の大きさを，行(フォント)の高さを単位に変更 などです。 これらパラメータを設定されると、次に par で同じパラメータが呼び出される まで、 あるいは、グラフ・ウィンドウが閉じられるまで継続することを 忘れないでください。 また S-plus 日本語訳の p.81
ただし lattice パッケージの trellis.device については ligges, p.167
S-plus のコマンド状で
help.start() Starting up Java help system. This may take a minute.
終えるには
help.off()
Crawley S-PLUS p.453 - p.454, R: p.109
John Fox p.132, p.136 切片(総平均)を除くにはモデル構造式に -1 を含めるが，その意味はある要因のそれぞれのグループ(水準)に，異なった切片をフィットさせる
Faraway p.127
以下は 次からの引用です！ 石田 http://www.aichi-gakuin.ac.jp/~chino/anova/chapter1/sec1-3-7.html
他に John Fox p.135
SAS では、glm プロシジャで、分析に際して４つの 平方和が用意されており、Type I 平方和、 Type II 平方和、Type III 平方和、Type IV 平方和と呼ばれる。要因が２つ以上あるデザインの場合、これらは場合によって異なるので、 その選択には 注意を要する。 まず、Type I 平方和は、逐次平方和 (sequential sums of squares) とも呼ばれ (Draper & Smith, 1981)、複数の要因を並べた順に 追加していく時のモデル平方和の増加を評価する。したがって、Type I 平方和は一 般的には、要因の投入順序により異なった値を取る。ただし、要因相互が直交して いる場合 (主として釣り合い型デザインの場合）には、この平方和は投入順序に依 存しない。 Type II 平方和は、当該要因と交互作用を持つような要因や同じく当該要因と交絡するような要因以外のすべての要因の影響を差し引いた平方和で、 偏平方和 (partial sums of squares) とも呼ばれ る (Draper & Smith, 1981)。したがって、 Type II 平方和は、要因の投入順序に は依存しない (SAS, 1990)。 Searle (1987) によれば、Type III 平方和は、Σ 制約付 モデルの平方和 (SS for Σ-restricted models) である。一方、Type IV 平 方和は、仮説平方和 (hypothesis SS) であり、SAS glm ルーチン自身により決定される仮説検定のための平方和である。 Type III 平方和も Type IV 平方和も、偏平方和と呼ばれることがある (SAS, 1990)デザインの中に全く欠測値がない場合、両者は一致する。 釣り合い型デザインでは、４つの平方和は、すべて等しい。また、交互作用のない場合には、Type II 平方和、Type III 平方和、Type IV 平方和は一致する (Searle, 1987)。また、非釣り合い型デザインでも、交互作用項を含まない主効果のみのデザインであれば、Type II 平方和とType III 平方和は一致するが、 交互作用項を含んだデザインでは、両者は異なる（竹内監修、高橋ら、1990)。 このような場合、高橋らはType II 平方和を用いることを薦めている。
John Fox p.139
points(jitter(Fcat[partner.status == 'low']),
conformity[partner.status == 'low'], pch = 'L')
points(jitter(Fcat[partner.status == 'high']),
conformity[partner.status == 'high'], pch = 'H')
John Fox p.142 - 143.
John Fox p.151
na.action(引数) で設定するが，デフォルトは
R は na.omit (欠損値を含まないデータで解析) S は na.fail (エラーを出して解析を中止)
S では，計算の際に引数として na.action = na.omit, na.action = na.exclude が必要。この二つの違いについては John Fox p.151
John Fox p.153
R のみでのオプション 線形モデルでは，目的変数からその変数を引くのに等しい。
Faraway, GLM, p.63 rate mode で使う
John Fox p.165
text(locator(2), c("Close", "One-Sided"))
John Fox p.130
John Fox p.170, p.181
データフレームの行数に合わせて，各列の変数を繰り返す
John Fox p.184
cbind(expand.grid(dimnames(table))) Freq = as.vector(table)
次の本およびサイトを参照しました．
Faraway p. 27,
http://ja.wikipedia.org/wiki/%E3%83%AD%E3%82%B8%E3%83%83%E3%83%88
Logit(p) = log(p/(1-p)) = log(p) - log(1 - p)
以下は 次からの引用です！ 石田 http://www.geocities.com/hikachu/2BAStatar.html
Logit&Probit
従属変数が0-1の値をとる場合の回帰分析です．そのまま通常の回帰分析をすると予測値が0-1の範囲を飛び出てしまったりしてまずいので，それを避けるために0-1の従属変数に特殊な変換を施して[-∞,+∞]になるようにしてやります．こうしておいて好きなだけ推定してから逆の変換を施します． そうすれば予測値は見事[0,1]に収まるというわけです． この変換にロジスティック関数を用いるのがLogit，累積正規分布関数を用いるのがProbitです． 本当はNormitの方が相応しい名前かもしれませんが…．LogitとProbit，どういう基準で使い分けるべきか?というのが初心者共通の悩みですが，これはどちらでもいいです．どちらを用いても違いはありません．同じです．
若干の違いがあるとすれば 1.レアなイベント 2.拡張版の相性 ぐらいです．1について．累積正規分布関数よりロジスティック関数の方がtailがheavyなので自分の関心がレアなイベントにあるときはProbitよりLogitの方がよいとか．もっとtailがheavyな関数を使ったものとしてCauchyというのもあります．2について付け加えると，例えば，multiple probit, heteroscedastic logitは技術的に困難だそうです．
Faraway p.33
full モデルとの差を測る
Faraway p.34
以下はRjpwikiより
データを引数 data = hoge と指定できない場合などに便利
例えば interaction.plot を attach されていないデータ troutegg に適用する場合
with(troutegg, interaction.plot(period, location, elogits))
を実行する。
interaction.plot(period, location, elogits, data = troutegg)
Faraway p.48