glm()でstepstep

　昨日から引き続き、統計ワールドにどっぷりはまって解析中。
　結局、無難にＧＬＭでやってみることにしました。
　んで、今日の成果兼備忘録。いずれ、放置状態のRwikiにでもまとめよう。

　そういえば、前やったspatstat使った解析も何も整理せず、放置状態なんだよな～

　こっちもいずれ整理しないとな～

　ここ変みたいなつっこみ、よろしくです。
　
　ま、後は結果を解釈するだけなんですが、結果の見方がいまいちよ～わからん。
　
　も一回分散分析当たりからやり直さんとですね。こりゃ大変かもしれんです。

> dat<-read.csv(“minamata_tree.csv”,header=T)
attach(dat)

> g<-glm(本数~標高+本数密度+NW+放棄年数,family=poisson)
> summary(g)

Call:
glm(formula = 本数 ~ 標高 + 本数密度 + NW + 放棄年数, family = poisson)

Deviance Residuals:
     1       2       3       4       5       6 
 1.145  -1.597   2.474  -2.486   2.077  -2.009 

Coefficients:
              Estimate Std. Error z value Pr(>|z|)   
(Intercept)  5.6444496  1.1104395   5.083 3.71e-07 ***
標高         0.0071457  0.0052519   1.361 0.173638   
本数密度    -0.0034488  0.0008918  -3.867 0.000110 ***
NW          -0.0225686  0.0060053  -3.758 0.000171 ***
放棄年数     0.2754143  0.0612014   4.500 6.79e-06 ***
—
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 107.984  on 5  degrees of freedom
Residual deviance:  24.513  on 1  degrees of freedom
AIC: 73.657

Number of Fisher Scoring iterations: 4

> stepAIC(g)
Start:  AIC= 73.66
 本数 ~ 標高 + 本数密度 + NW + 放棄年数

           Df Deviance    AIC
– 標高      1   26.369 73.514
<none>          24.513 73.657
– NW        1   38.927 86.072
– 本数密度  1   39.854 86.998
– 放棄年数  1   44.942 92.086

Step:  AIC= 73.51
 本数 ~ 本数密度 + NW + 放棄年数

           Df Deviance     AIC
<none>          26.369  73.514
– 本数密度  1   40.966  86.111
– 放棄年数  1   66.486 111.630
– NW        1   80.376 125.521

Call:  glm(formula = 本数 ~ 本数密度 + NW + 放棄年数, family = poisson)

Coefficients:
(Intercept)     本数密度           NW     放棄年数 
   6.935122    -0.003350    -0.028568     0.320770 

Degrees of Freedom: 5 Total (i.e. Null);  2 Residual
Null Deviance:      108
Residual Deviance: 26.37        AIC: 73.51
>