¿Me puede decir lo que se devuelve por GLM $ residuos y residuo (GLM) donde GLM es un objeto quasipoisson. p.ej. Cómo los crearía usando glm $ y y glm $ linear.predictors.
GLM $ residuos
n missing unique Mean .05 .10 .25 .50 .75 .90 .95
37715 10042 2174 -0,2574 -2,7538 -2,2661 -1,4480 -0,4381 0,7542 1,9845 2,7749
más bajo: -4,243 -3,552 -3,509 -3,481 -3,464 más alto : 8,195 8,319 8,592 9,089 9,416
resid (GLM)
n missing unique Mean .05 .10 .25
37715 0 2048 -2.727e-10 -1.0000 -1.0000 -0.6276
.50 .75 .90 .95
-0,2080 0,4106 1,1766 1,7333
más bajo: -1,0000 -0,8415 -0,8350 -0,8333 -0,8288 más alto: 7,2491 7,6110 7,6486 7,9574 10,1932
Esto es genial. Ahora solo necesito saber cuándo cada tipo de residuo es más útil para hacer diagnósticos de regresión. La recomendación del libro hecha por Adam a continuación ("Modelos lineales generalizados y extensiones" por Hardin y Hilbe) parece útil, ¿alguna otra sugerencia? –