Uygulamada, rastgele etkiler modelinde rastgele etkiler kovaryans matrisi nasıl hesaplanır?


19

Temel olarak merak ettiğim şey, farklı kovaryans yapılarının nasıl uygulandığı ve bu matrislerin içindeki değerlerin nasıl hesaplandığıdır. Lme () gibi işlevler, hangi yapıyı istediğimizi seçmemize izin verir, ancak nasıl hesaplandıklarını bilmek isterim.

doğrusal karma efektleri düşünün .Y=Xβ+Zu+ε

Burada ve ϵ d N ( 0 , R ) . Ayrıca:udN(0,D)ϵdN(0,R)

Var(Y|X,Z,β,u)=R

Var(Y|X,β)=ZDZ+R=V

Basitlik için olduğunu varsayacağız .R=σ2In

Temelde sorum şu: çeşitli parametrelendirmeler için verilerden tam olarak nasıl tahmin ediliyor? D' nin diyagonal (rastgele etkiler bağımsız) veya D tam olarak parametrelendirildiğini (şu anda daha fazla ilgilendiğim durumda) veya diğer çeşitli parametrelerden herhangi birini varsayalım mı? Bunlar için basit tahminciler / denklemler var mı? (Bu şüphesiz yinelemeli olarak tahmin edilir.)DDD

DÜZENLEME: Varyans Bileşenleri kitabından (Searle, Casella, McCulloch 2006) Aşağıdakileri parlamayı başardım:

Eğer daha sonra varyans bileşenleri güncellenir ve hesaplanır, aşağıdaki gibi:D=σu2benq

σu2(k+1)=u^Tu^σu2(k)iz(V-1ZTZ)

σe2(k+1)=Y'(Y-Xβ^(k)-Zu^(k))/n

Nerede β ( k ) veβ^(k)olanksırasıyla güncellemeleri inci.u^(k)k

blok diyagonal veya tam olarak parametrelendirildiğinde genel formüller var mı ? Tamamen parametrelendirilmiş durumda, pozitif kesinlik ve simetri sağlamak için bir Cholesky ayrışması kullanılıyor.D


2
arxiv.org/pdf/1406.5823 ( Journal of Statistical Software'de basında ) faydalı olabilir ...
Ben Bolker

Yanıtlar:


8

Goldstein .pdf @probabilityislogic bağlantılı harika bir belgedir. Sorunuzu tartışan bazı referansların listesi:

Harville, 1976: Gauss-Markov Teoreminin rastgele etki tahminini içerecek şekilde genişletilmesi .

Harville, 1977: Varyans bileşeni kestiriminde ve ilgili problemlerde maksimum olabilirlik yaklaşımları .

Laird and Ware, 1982: Boyuna veriler için rastgele efekt modelleri .

McCulloch, 1997: Genelleştirilmiş doğrusal karışık modeller için maksimum olabilirlik algoritmaları .

KARIŞIK prosedür için SAS Kullanım Kılavuzu alıntı kovaryans tahmini ve (sayfa 3968 tarihinde başlayan) çok daha fazla kaynakları hakkında bazı büyük bilgi var.

Orada boyuna / tekrarlı ölçümler veri analizi çok sayıda kaliteli ders kitapları, ama burada (yazarların R uygulanması ile ilgili bazı ayrıntılı anlatır biri lme4ve nlme):

Pinheiro ve Bates, 2000: S ve S-PLUS'ta Karışık Etkili Modeller .

DÜZENLEME : Daha alakalı bir makale: Lindstrom ve Bates, 1988: Tekrarlanan ölçüm verileri için doğrusal karışık efekt modelleri için Newton-Raphson ve EM Algoritmaları .

DÜZENLEME 2 : Ve diğeri: Jennrich ve Schluchter, 1986: Yapısal Kovaryans Matrislere sahip Dengesiz Tekrarlı Ölçüm Modelleri .


Pinheiro ve Bates'e, özellikle Bölüm 2'ye (teori ve hesaplama) bir göz attım, ancak kovaryans yapısının nasıl uygulandığı ve tahmin edildiği hakkında bir şey görmüyor muydum? Kısa süre sonra tekrar üzerinden geçeceğim. Burada oturan birkaç gazetem var, kesinlikle tekrar okumak zorundayım. Şerefe.
dcl

1
@dcl P&B Bölüm 2'ye baktığımda, ilgilendiğiniz bazı adımlar üzerinde göze çarpıyor olabileceğini görüyorum (kovaryans parametreleri için log olasılığını en iyi duruma getirmekten bahsediyorlar ama nasıl olduğunu söylemiyorlar ). Bununla birlikte, Bölüm 2.2.8, sorunuza en iyi hitap eden bölüm olabilir.

1
@dcl Yardımcı olabilecek bir kaynak daha eklendi.

bağlantılar için teşekkürler. Geçmişte bu makalelere göz attım, bazıları benim için oldukça teknik hale geldi. Şimdi onlara bir göz atacağım, ama ilk bakışta onlardan istediğimi elde edemiyorum.
dcl

1
@dcl Bağlantılar duvarı için özür dilerim, ama sorunuz bir kişinin tartışmak için birkaç tam konferans harcayabileceğidir (karışık efekt modelleri hakkında ilk öğrenirken halının altına süpürülen çok iyi bir soru). Literatürde yüzmenin yanı sıra, yapabileceğiniz bir şey, kaynak koduna bakmak lme4ve bu tahminle nasıl başa çıktığını görmek.

7

Harvey Goldstein başlamak için kötü bir yer değil.

En karmaşık tahmin yöntemlerinde olduğu gibi, yazılım paketine göre değişir. Bununla birlikte, genellikle yapılanlar aşağıdaki adımlardadır:

  1. (örneğin D 0 ) ve R (örneğin R 0 ) için bir başlangıç ​​değeri seçin . Set i = 1DD0R,R,0ben=1
  2. ve R = R i - 1 üzerinde koşullu, β ve u ve ϵ tahmini . Β i ve u i ve ϵ i tahminlerini çağırın .D=Dben-1R,=R,ben-1βuεβbenubenεben
  3. ve u = u i ve ϵ = ϵ i koşullu, D ve R'yi tahmin edin . D i ve R i tahminlerini çağırınβ=βbenu=ubenε=εbenDR,DbenR,ben
  4. Yakınsama olup olmadığını kontrol edin. Yakınsama değilse, ve 2. adıma dönünben=ben+1

Basit ve hızlı bir yöntem, en az iki kare prosedürü arasında yinelemeye dayanan ve ikinci bölümde ayrıntılı olarak açıklanan IGLS'dir. Dezavantajı sıfıra yakın varyans bileşenleri için iyi çalışmaz olmasıdır.


Bunun genel yöntem olduğunu biliyorum, ancak D ve R nasıl hesaplanıyor, çeşitli yapılar için hangi denklemler kullanılıyor? İyi başlangıç ​​değerleri nelerdir? Şimdi pdf'ye bakacağım, şerefe.
dcl


Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.