“有两只手表的人永远不知道现在是什么时候。
值得一提的是，glmmTMB-它使用了与glm完全不同的拟合过程-给出了一个接近Minitab的协方差矩阵。

m_glm <- glm(cbind(success,failure)~stimulus,data=df,
      family=binomial("probit"))
library(glmmTMB)
m_tmb <- glmmTMB(cbind(success,failure)~stimulus,data=df,
      family=binomial("probit"))
vcov(m_tmb)
Conditional model:
            (Intercept)  stimulus
(Intercept)    172.5314 -268.4821
stimulus      -268.4821  418.0434

字符串
关于如何计算glmhere的协方差矩阵，还有更多的信息..（glm）将不同于基于对数似然曲面的估计曲率的值（glmmTMB）。我认为它可能与概率单位链接 * 非规范 * 的事实有关。（当我们改变为典型的logit链接时，来自glm和glmmTMB的协方差矩阵几乎相同）。（我已经问过a question on Cross Validated这一点;托马斯Lumley在回答中证实了差异的产生，因为glmmTMB/Minitab的协方差矩阵是基于 * 观测信息 * 估计的，而GLM使用 * 预期（Fisher）信息 *。
也就是说，您还应该小心使用标准误差（sqrt(diag(vcov(...)))）作为GLM参数的不确定性度量，因为它们只对 * 大 * 数据集可靠。glm和glmmTMB的轮廓置信区间非常相似。

> confint.default(m_glm)
                2.5 %    97.5 %
(Intercept) -54.24111 -5.131622
stimulus      7.65886 84.124881
> confint(m_glm)
Waiting for profiling to be done...
                2.5 %   97.5 %
(Intercept) -59.70676 -6.66262
stimulus     10.01528 92.56096
> confint(m_tmb, method = "wald", estimate = FALSE) ## equiv. confint.default()
                 2.5 %    97.5 %
(Intercept) -55.430789 -3.942062
stimulus      5.818323 85.965601
> confint(m_tmb, method = "profile", estimate = FALSE) ## equiv. confint()
                2.5 %    97.5 %
(Intercept) -59.70642 -6.660542
stimulus     10.01219 92.560959

型