"如何使用 R 中的广义估计方程（geeglm）获得独立分类变量的总体 p 值"

Question

这个问题是从 Stack Overflow 迁移<\/a>而来的，因为它可以在 Cross Validated 上得到回答。 2天前<\/span><\/span> 迁移<\/a>。

<\/aside>

我想知道是否有一种方法可以使用 R 中的广义估计方程来获得独立分类变量的总体 p 值。当我运行分析时，输出会为分类变量的每个级别提供 p 值，而不是变量本身的总体 p 值。

一个输出示例如下：

Answer 1

（任何人看到这个，请投票迁移。）我发布了一个“答案”，但我真的不希望它被这样认为，因为我没有太多的统计理论。 我可以展示使用 R 获得结果的机制，但在我搜索该网站以回答 GEE 上“如何进行有原则的模型比较”的一般问题后，我支持 Limey 的投票以迁移到 stats.stackexchange.com建模结果以从这些 GEE 中获得“总体显着性”估计。 我在 SO 或 CV.com 上都没有找到我认为令人满意的答案。

此代码安装并加载 R 库“geepack”，然后基于?geeglm anova的示例代码构建 2 个模型（其中一个将公式的 RHS 设置为1以构建“空模型”），然后在两个模型。 该包确实有一个anova.geeglm函数，我认为这意味着作者认为这至少在某些情况下是有效的。

install.packages('geepack')
library(geepack)
data(dietox)
dietox$Cu     <- as.factor(dietox$Cu)
mf <- formula(Weight ~ Cu * (Time + I(Time^2) + I(Time^3)))
gee1 <- geeglm(mf, data=dietox, id=Pig, family=poisson("identity"), corstr="ar1")
# warnings noted
gee1
coef(gee1)
vcov(gee1)
summary(gee1)
coef(summary(gee1))

mf2 <- formula(Weight ~ 1)
gee2 <- geeglm(mf2, data=dietox, id=Pig, family=poisson("identity"), corstr="ar1")
# more warnings

methods("anova") # to get available class-specific function names
 [1] anova.coxph*       anova.coxphlist*   anova.geeglm*      anova.glm*         anova.glmlist*     anova.glmmPQL*    
 [7] anova.lm*          anova.lmlist*      anova.loess*       anova.loglm*       anova.mlm*         anova.negbin*     
[13] anova.nls*         anova.polr*        anova.survreg*     anova.survreglist*
see '?methods' for accessing help and source code

anova(gee1,gee2)
#---------------
Analysis of 'Wald statistic' Table

Model 1 Weight ~ Cu * (Time + I(Time^2) + I(Time^3)) 
Model 2 Weight ~ 1
  Df   X2 P(>|Chi|)    
1 11 9327    <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

如果这是“常规”回归，我相信这是一种有效的模型比较方法，并且嵌套模型之间相差 11 个自由度的 X^2 差异为 9327 表明“统计显着性”和相应的低 p 值。 但是，我适度谦虚，因为这是一个我没有经验的统计领域。