Eşitsiz varyanslı regresyon modellemesi


22

Artıkların varyansının açıklayıcı değişkene açıkça bağlı olduğu bir lineer modele (lm) uymak istiyorum.

Bunu yapmayı bildiğim yol, varyansı modellemek için Gamma ailesiyle birlikte glm kullanmak ve sonra tersini lm işlevindeki ağırlıklara koymaktır (örnek: http://nitro.biosci.arizona.edu/r/chapter31) .pdf )

Merak ediyordum:

  • Tek teknik bu mu?
  • Başka hangi yaklaşımlar önemlidir?
  • Bu modelleme ile ilgili hangi R paketleri / işlevleri? (diğer sonra glm, lm)

4
Bağlandıkları bölümde glm()daha sonra nerede kullanıyorlar lm(). Bana öyle geliyor glm()ki, gerekli olan ve kullanılan tek şey bu, ancak bir şeyleri kaçırmış olabilirim. Sen (en küçük kareler genelleştirilmiş deneyin edebilirsiniz gls()içinde nlme ) ağırlıkları Sözünü varyans türü için kontrol tahmin edilmesine müsaade eden; ?varFuncoradaki bağlantıları gör ve izle. IIRC varFixed()ne istersen onu yapacak.
Monica'yı eski durumuna getirme - G. Simpson,

'Proc mixed' altında, 'subject = seçenek' artıkların varyans-kovaryans matrisinde blok çapraz bir yapı oluşturur. Eşcinsel davranış hipotezini değiştirmek için genel bir doğrusal karışık model olarak düşündünüz mü?
ocram

Sağol Gavin, bu fonksiyonlara biraz baktım. İki soru: 1) Herhangi bir öğretici tavsiye eder misiniz? (MASS kitabımın iyi bir başlangıç ​​olabileceğinden şüpheleniyorum, ama bunun hakkında bir fikriniz olup olmadığını merak ediyordum). 2) Uydurduğum model basit bir OLS olduğundan, gls işlevini kullanırken tahmin için ne kadar farklı olacak? (Doğru hatırlıyorsam - çok fazla değil, çünkü bazı tekrarlamalı birinci derece yaklaşımlar üzerinde çalışıyor olmalı, ama bundan hiç emin değilim.) Ocram - teşekkürler, ama SAS kullanmıyorum.
Tal Galili

Burada Bölüm 2'de bunun quasipoisson regresyonu için STATA'da nasıl yapılacağı açıklanmaktadır: stata.com/meeting/fnasug08/gutierrez.pdf . Biri bunu R'de yeniden kodlamak için bir yol önerebilirse çok minnettar olurum.
a11msp

Yanıtlar:


17

"Megafon efektine" karşı hapları (diğerleri arasında):

  1. Y
  2. Ağırlıklı en küçük kare regresyon kullanın . Bu yaklaşımda, her gözlem kendi varyans faktörü verilir. Bu cevap , WLSR'nin R'de nasıl kullanılacağını gösterir (örneğin, artıkların varyansı araçlarla orantılıysa, ağırlıksız modelde takılı değerin tersini ağırlık olarak sağlayabilirsiniz).
  3. Sağlam regresyon kullanın. Funciton rlm()içinde MASSR paketin varyansların eşitsizliği sağlam olması gerekiyordu M tahmin yapar.

Temmuz 2017 düzenleme: Görünüşe göre Greg Snow'un cevabında önerildiği gibi genelleştirilmiş en küçük kareler en iyi seçeneklerden biri.


2
Bir yığın taşması sorusu için bu cevabı geliştirdim .
Peter Ellis,

1
Genelleştirilmiş en küçük kareler seçeneğinin de belirtilmesi faydalı olabilir, ağırlık seçeneğinin varFixed () olarak ayarlanmasıyla gls kullanılması - bana göre bu daha şık seçeneklerden biri gibi görünüyor ...
Tom Wenseleers

@TomWenseleers Katılıyorum. Bunun Greg Snow'un cevabı olduğuna dikkat edin.
gui11aume

9

Oyun paketi ile cevabın hata dağılımını doğrusal, doğrusal olmayan ya da açıklayıcı değişkenlerin yumuşak bir fonksiyonu olarak modelleyebilirsiniz. Bu oldukça güçlü bir yaklaşım gibi gözüküyor ( model seçim sürecinde ortaya çıkabilecek tüm olasılıklar hakkında çok şey öğrendim ) ve her şey yukarıdaki bağlantıda referans verilen çeşitli yayınlarda (kitaplar dahil) güzel bir şekilde açıklandı.


8

glsFonksiyonu nlmeR paketin regresyon ve aynı zamanda varyans ile ilişki tahmin edebilir. Bkz weightsyardım sayfasındaki argüman ve 2 örnek.

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