R 로지스틱 회귀 표준 오류 값을 수동으로 계산하는 방법은 무엇입니까?

Question

표준 오류 값이 수동으로 R의 로지스틱 회귀에서 어떻게 계산되는지 알고 싶습니다.

나는 샘플 데이터를 가져다가 내가 그것을 이항 로지스틱 회귀 분석을 적용

data = data.frame(x = c(1,2,3,4,5,6,7,8,9,10),y = c(0,0,0,1,1,1,0,1,1,1)) 
model = glm(y ~ x, data = data, family = binomial(link = "logit")) 

그리고 다음과 내가 표준 오류가 계산 된 방법을 모르고을 가지고 없기 때문에 모델의 내 요약 한 것입니다

> summary(model) 

Call: 
glm(formula = y ~ x, family = binomial(link = "logit"), data = data) 

Deviance Residuals: 
    Min  1Q Median  3Q  Max 
-1.9367 -0.5656 0.2641 0.6875 1.2974 

Coefficients: 
      Estimate Std. Error z value Pr(>|z|) 
(Intercept) -2.9265  2.0601 -1.421 0.1554 
x    0.6622  0.4001 1.655 0.0979 . 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

(Dispersion parameter for binomial family taken to be 1) 

    Null deviance: 13.4602 on 9 degrees of freedom 
Residual deviance: 8.6202 on 8 degrees of freedom 
AIC: 12.62 

Number of Fisher Scoring iterations: 5 

만약 누군가가 이것에 대답한다면 ... 대단히 감사 할 것입니다. 미리 감사드립니다.

Answer 1

대각선 요소의 제곱근으로 이것을 계산할 수 있습니다. 당신이 원하는 경우 모델에 대한 summary(model)

sqrt(diag(summary(model)$cov.unscaled)*summary(model)$dispersion) 
# (Intercept)   x 
# 2.0600893 0.4000937 

에 의해 스케일 없음의 공분산 행렬 출력, 분산 매개 변수는 그래서 마지막 항 (summary(model)$dispersion)이 무시 될 수있는 일이다. 당신은 같은 대답을 찾고 여부

, 당신은

fittedVals = model$fitted.values 
W = diag(fittedVals*(1 - fittedVals)) 
solve(t(X)%*%W%*%X) 
#    (Intercept)   x 
# (Intercept) 4.2439753 -0.7506158 
# x   -0.7506158 0.1600754