@joceratops yanıtı, tahmin için maksimum olasılık optimizasyon problemine odaklanır. Bu gerçekten de pek çok soruna uyan esnek bir yaklaşımdır. Doğrusal ve lojistik regresyon modelleri de dahil olmak üzere çoğu modeli tahmin etmek için, moment tahmini yöntemine dayanan başka bir genel yaklaşım daha vardır.
Doğrusal regresyon tahmincisi , tahmin denkleminin kökü olarak da formüle edilebilir:
0=XT(Y−Xβ)
Bu bakımdan , ortalama 0 kalıntısı alan değer olarak görülür. Bu yorumu yapmak için herhangi bir temel olasılık modeline güvenmek gerekmez. Bununla birlikte, normal bir olasılık için skor denklemlerini türetmek ilginçtir, gerçekten de tam olarak yukarıda gösterilen formu aldıklarını göreceksiniz. Doğrusal bir model (örneğin, doğrusal veya lojistik regresyon) için düzenli üstel ailenin olasılığını en üst düzeye çıkarmak, puan denklemlerine çözüm elde etmeye eşdeğerdir.β
0=∑i=1nSi(α,β)=∂∂βlogL(β,α,X,Y)=XT(Y−g(Xβ))
Burada değeri beklenen olan . GLM kestiriminde, bir link fonksiyonunun tersi olduğu söylenir. Normal olabilirlik denklemlerinde, kimlik fonksiyonudur ve lojistik regresyonda logit fonksiyonudur. Daha genel bir yaklaşım, model yanlış tanımlamasına izin veren gerektirir.Yig(Xiβ)gg−1g−10=∑ni=1Y−g(Xiβ)
Ayrıca, düzenli üstel aileler için buna ortalama-varyans ilişkisi denir. Gerçekten lojistik regresyon için, ortalama varyans ilişkisi, ortalama varyansla ilişkili olacak . Bu, yanlış tanımlanmış bir GLM'nin 0 ortalama Pearson kalıntısı veren bir model olarak yorumlanmasını önerir. Bu ayrıca orantılı olmayan fonksiyonel ortalama türevlere ve ortalama varyans ilişkilerine izin vermek için bir genelleme önerir.∂g(Xβ)∂β=V(g(Xβ))p=g(Xβ)var(Yi)=pi(1−pi)
Bir genelleştirilmiş tahmin denklemi yaklaşımı şu şekilde lineer modeller belirtmek istiyoruz:
0=∂g(Xβ)∂βV−1(Y−g(Xβ))
İle tarafından verilen donatılmış değere (ortalama) temel varyanslannın bir matrisi . Bu kestirim yaklaşımı, GLM'lerde olduğu gibi bir bağlantı fonksiyonu ve ortalama varyans ilişkisi seçmeyi sağlar.Vg(Xβ)
Lojistik regresyon olarak ters logit olur ve tarafından verilecek . Newton-Raphson tarafından elde edilen bu tahmin denkleminin çözümleri lojistik regresyondan elde edilen verecektir . Bununla birlikte, biraz daha geniş bir model sınıfı benzer bir çerçevede tahmin edilebilir. Örneğin, link fonksiyonu doğrusal tahmin edicinin log'u olarak alınabilir, böylece regresyon katsayıları olasılık oranları değil nispi risklerdir . Hangi - OR'leri RR olarak yorumlamanın iyi belgelenmiş tuzakları düşünüldüğünde - neden artık herkesin lojistik regresyon modellerine uyduğunu sormak için beni uyandırıyor.gViig(Xiβ)(1−g(Xβ))β