我正在尝试执行一些逻辑回归（我是 R 的新手用户）。最初我使用“glm”来计算系数、AIC 和 p 值；在我遇到一个完全分离的数据集之前，这很有效。在 [1] 中，Gelman 等人建议在解决这个问题之前使用（信息丰富的）；相应的算法在 R 中实现为“bayesglm”（在 ARM 包中）。

这是我的问题。以前，使用“glm”，我将计算 p 值如下：

mylogit <- bayesglm(a ~ b+c+d+e+f+g+h, data = mydata, family="binomial")
with(mylogit, pchisq(null.deviance - deviance, df.null - df.residual, lower.tail = FALSE))

有53-48=5个自由度：

Null deviance: 71.188  on 53  degrees of freedom
Residual deviance: 37.862  on 48  degrees of freedom

但是，如果我使用“bayesglm”而不是“glm”，那么得到的自由度对我来说有点令人惊讶：

Null deviance: 22.279  on 53  degrees of freedom
Residual deviance: 39.030  on 54  degrees of freedom

如果我将前面的公式插入 p 值，我有 -1 的自由度！有人可以帮我得到一个更明智的答案（或帮我解释这个）吗？

顺便说一句，“bayesglm”命令的文档包括以下不祥的评论：

我们包含了所有 glm() 参数，但我们还没有测试所有选项（例如，null 模型的 offests、对比、偏差）是否都有效。

[1] 格尔曼、安德鲁等人。“逻辑和其他回归模型的信息量较弱的默认先验分布。” 应用统计年鉴（2008 年）：1360-1383。