Seviye başına 1 gözlemli karma model

glmerBazı iş verilerine rastgele efektler modeli ekliyorum. Amaç, bölgesel varyasyonu dikkate alarak satış performansını distribütör tarafından analiz etmektir. Aşağıdaki değişkenler var:

• distcode: distribütör kimliği, yaklaşık 800 seviye
• region: üst düzey coğrafi kimlik (kuzey, güney, doğu, batı)
• zone: Orta seviye coğrafya region, içinde yaklaşık 30 seviye
• territory: iç içe geçmiş düşük seviye coğrafya zone, yaklaşık 150 seviye

Her distribütör yalnızca bir bölgede çalışır. Zor kısmı, bunun dağıtıcı başına bir veri noktası ile özetlenmiş veriler olmasıdır. Yani 800 veri noktam var ve düzenli olarak da olsa en azından 800 parametreye uymaya çalışıyorum.

Aşağıdaki gibi bir model taktım:

glmer(ninv ~ 1 + (1|region/zone/territory) + (1|distcode), family=poisson)

Bir not yazdırmasına rağmen, bu sorunsuz bir şekilde çalışır:

Rastgele etkiler için bir gruplama faktörünün seviye sayısı n'ye eşittir , gözlem sayısı

Bu mantıklı bir şey mi? Tüm katsayıların sonlu tahminlerini alıyorum ve AIC de mantıksız değil. Kimlik bağlantısıyla bir poisson GLMM'yi denersem, AIC çok daha kötüdür, bu yüzden günlük bağlantısı en azından iyi bir başlangıç ​​noktasıdır.

Verilen değerleri yanıta göre çizersem, esasen mükemmel olanı alırım, ki her distribütör için bir veri noktasına sahip olduğum için sanırım. Makul mü yoksa tamamen aptalca bir şey mi yapıyorum?

Bu bir aydır veri kullanıyor. Birden fazla ay boyunca veri alabilir ve bu şekilde çoğaltma yapabilirim, ancak aydan aya değişiklik ve olası etkileşimler için yeni terimler eklemem gerekir, doğru mu?

ETA: Yukarıdaki modeli tekrar çalıştırdım, ama bir familyargüman olmadan (yani bir GLMM'den ziyade bir gauss LMM'si). Şimdi lmerbana şu hatayı verdi:

Hata (işlev (fr, FL, başlat, REML, ayrıntılı): Rasgele etkiler için bir gruplandırma faktörünün düzeylerinin gözlem sayısından az olması gerekir

Bu yüzden aileyi değiştirmenin bir etkisi olmaması gerektiği için mantıklı bir şey yapmadığımı tahmin ediyorum. Ama şimdi soru şu, neden ilk etapta çalıştı?

Kavramsal gerekçelerle gözlemlerle aynı sayıda gruba sahip olduğunuz, modelinizin tanımlanabilir sorunları olması gerektiği için “gruplar” ve ayrıca hesaplama zeminleri bulunan karma bir model yerleştirme uygulamasına kesinlikle katılmıyorum. en azından bir LMM. (Sadece LMM ile çalışıyorum, bu da biraz önyargılı olabilir. :))

Hesaplama kısmı: Örneğin olan standart LME modelini varsayalım . Şimdi eşit sayıda gözleminiz ve grubunuz olduğunu varsayalım (diyelim ki "basit" bir kümeleme altında, çapraz veya iç içe efekt yok vb.), O zaman tüm örnek varyansınız matrisine taşınacaktır ve sıfır olmalıdır . (Sanırım bunu zaten kendiniz için ikna ettiniz) Neredeyse bir astar modelinde veri kadar parametreye sahip olmakla eşdeğerdir. Aşırı parametreli bir modeliniz var. Bu nedenle regresyon biraz saçmadır.$y \sim N(X\beta, ZDZ^T + \sigma^2 I)$$D$$\sigma^2$

("Makul" AIC ile ne demek istediğinizi anlamıyorum. AIC, verilerinize fazla uymasına rağmen hala "bir şey hesaplıyor" olarak hesaplanabilir olmalıdır.)

glmer$y$$X\beta$$X\beta> 0$glmer

Kavramsal kısım: Bence bu biraz daha "sübjektif" ama biraz daha basit. Mixed Eff kullanıyorsunuz. çünkü aslında hatanızda grupla ilgili bir yapı olduğunu fark ettiniz. Veri noktaları kadar çok grubunuz varsa, görülmesi gereken bir yapı yoktur. LM hata yapınızdaki bir "gruplandırmaya" atfedilebilecek sapmalar artık spesifik gözlem noktasına atfedilmektedir (ve böylece aşırı takılmış bir model elde edersiniz).

Genel olarak, tek gözlem grupları biraz dağınık olma eğilimindedir; r-sig-mixed-models e-posta listesinden D.Bates teklif etmek için:

Tek gözlem gruplarını dahil etmenize veya hariç tutmanıza bakılmaksızın, model uyumunda çok az fark olduğunu göreceksiniz. Deneyin ve görün.

Yanıt değişkeniniz olarak fazla dağılmış sayım verileriniz varsa , gözlem başına bir seviye çok yararlı olabilir. Sayım verilerinizin bir Poisson-lognormal dağılımından gelmesini beklediğinize, yani Poisson dağılımınızın lambda parametresinin modelinizdeki öngörücü değişkenler tarafından tam olarak belirlenmediğine ve olasılıkların lognormal olarak dağıtıldığına eşittir.

Lme4 için geliştiricilerden Ben Bolker, bununla birlikte öğretici benzeri iki örnek yaptı. Birincisi, sentetik verilerle, biraz daha ayrıntıya giriyor. Burada bir pdf bulabilirsiniz . Ayrıca, baykuşları içeren gerçek verilerle (pdf ve R kodu buradan edinilebilir ) bir keşifsel veri analizinden geçti .