Bir modelden terim düştükten sonra uygun kalan serbestlik dereceleri


27

Bu sorunun etrafındaki tartışmaya ve özellikle Frank Harrell'in yorumuna, indirgenmiş bir modelde (yani, birkaç açıklayıcı değişkenin test edildiği ve reddedildiği bir varyans tahmininin) Ye'in Genelleştirilmiş Serbestlik Dereceleri kullanması gerektiği yorumunu yansıtıyorum . Profesör Harrell, bunun orijinal "tam" modelin (serbest bırakma modelinin) kalan serbestlik derecelerine (bir dizi değişkenin reddedildiği) son bir modelden çok daha yakın olacağını belirtti.

Soru 1. Azaltılmış bir modelin tüm standart özetlerine ve istatistiklerine uygun bir yaklaşım kullanmak istersem (ancak Genelleştirilmiş Serbestlik Derecelerinin tam olarak uygulanmasının yetersiz olması durumunda), makul bir yaklaşım sadece kalan serbestlik derecelerinin kullanılması olacaktır. kalan varyans tahminlerimdeki tam model, vb.

Soru 2. Yukarıdakiler doğruysa ve bunu yapmak istiyorsam Rayar kadar basit olabilir mi

finalModel$df.residual <- fullModel$df.residual

model uydurma alıştırmasında bir noktada finalModel ve fullModel öğesinin lm () veya benzeri bir işlevle oluşturulduğu. Summary () ve confint () gibi fonksiyonlar, birisinin finalModel nesnesiyle açıkça çarpıştığı bir hata mesajı döndürmekle birlikte istenen df.residual ile çalışıyor gibi görünmektedir.


8
İyi soru. Bu neden Douglas Bates'ün lmerçıktıda p-değerleri içermemesi ile ilgilidir . Sebebini burada görün .

2
Df modelinin böyle bir durumda bir defadan fazla kullanıldığını gördüm. (Ye'nin yaklaşımı farklı durumlarda çok fazla ortaya çıkıyor; bu, insanlara düzenli olarak tavsiyelerde bulunduğumu bildiğim bir makale. Pek çok fonksiyonun faydalanabileceği jenerik fakat verimli R fonksiyonuna sahip olmak güzel olurdu.)
Glen_b -Reinstate Monica

Yanıtlar:


3

Zaten @ FrankHarrel’in cevabına katılıyor musunuz ?

@ MikeWiezbicki'nin yorumunda Doug Bates'un gerekçesine verilen bağlantıyı çok seviyorum . Birisi analizinize katılmıyorsa, kendi yolunda yapabilir ve bu temel varsayımlarınız hakkında bilimsel bir tartışma başlatmak için eğlenceli bir yoldur. Bir p değeri, sonucunuzu "mutlak bir gerçek" yapmaz.

Modelinize bir parametre dahil edip etmeme kararı, bilimsel olarak anlamlı örnekler için, df'deki nispeten küçük tutarsızlıklar üzerine gelirse - ve problemleriyle ilgili değilsiniz. Her neyse, daha ayrıntılı bir çıkarım - o zaman kesimlerinizi karşılamaya o kadar yakın bir param var ki şeffaf olmanız ve her iki şekilde de konuşmanız gerekir: sadece ekleyin, ya da olmadan modeli analiz edin, ancak kararınızı kesinlikle şeffaf bir şekilde tartışın. son analiz. n<p


2
+1 ve şimdi asıl sorumun bu diğer konular için verilen kadar önemli olmadığını kabul etmeye meyilliyim
Peter Ellis
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.