GLM veya OLS kullanarak karmaşık, çoklu doğrusal olmayan ilişkileri modellemek için gereken adımları gösteren gelişmiş bir doğrusal regresyon durum çalışması arıyorum. Temel okul örneklerinin ötesine geçen kaynakları bulmak şaşırtıcı bir şekilde zordur: Okuduğum kitapların çoğu, bir tahmincinin bir BoxCox'u veya en iyi durumda doğal bir eğri ile birleştiğinde yanıtın bir günlük dönüşümünden daha ileri gitmeyecek. Ayrıca şimdiye kadar gördüğüm tüm örnekler, her bir veri dönüşüm sorununa ayrı bir modelde, genellikle tek bir tahmin modelinde yaklaşıyor.
Bir BoxCox veya YeoJohnson dönüşümünün ne olduğunu biliyorum. Aradığım cevap / ilişkinin kesin olarak kesin olmadığı ayrıntılı, gerçek hayattan bir vaka çalışması. Örneğin, yanıt kesinlikle olumlu değildir (bu nedenle log veya BoxCox kullanamazsınız), öngörücüler kendi aralarında ve yanıtla doğrusal olmayan ilişkilere sahiptir ve maksimum olabilirlik veri dönüşümleri standart 0.33 anlamına gelmez veya 0.5 üs. Ayrıca, artık varyansın sabit olmadığı (asla olmadığı) olduğu için, yanıtın da dönüştürülmesi ve standart olmayan bir GLM ailesi regresyonu ya da bir cevap dönüşümü arasında seçim yapılması gerekecektir. Araştırmacı büyük olasılıkla verilerin fazla kullanılmaması için seçimler yapacaktır.
DÜZENLE
Şimdiye kadar aşağıdaki kaynakları topladım:
- Regresyon Modelleme Stratejileri, F. Harrell
- Uygulamalı Ekonometrik Zaman Serileri, W. Enders
- R, G. Petris ile dinamik doğrusal modeller
- Uygulamalı Regresyon Analizi, D. Kleinbaum
- İstatistiksel Öğrenmeye Giriş, G. James / D. Witten
Sadece sonuncuyu okudum (ISLR) ve çok iyi bir metin (saatimdeki 5 beş yıldız), ML'ye yönelik olarak gelişmiş regresyon modellemesinden daha odaklı.
Zorlu bir gerileme vakası sunan CV'de de bu iyi yazı var.