Genelleştirilmiş Doğrusal Karışık Modeller: Teşhis


11

Rastgele bir kesişim lojistik regresyonum var (tekrarlanan ölçümler nedeniyle) ve özellikle aykırı değerler ve etkili gözlemlerle ilgili bazı teşhisler yapmak istiyorum.

Göze çarpan gözlemler olup olmadığını görmek için artıklara baktım. Ama aynı zamanda Cook'un mesafesi veya DFFITS gibi bir şeye bakmak istiyorum. Hosmer ve Lemeshow (2000), ilişkili veriler için model teşhis araçlarının bulunmaması nedeniyle, sadece korelasyonu görmezden gelen düzenli bir lojistik regresyon modeline uyması ve düzenli lojistik regresyon için mevcut teşhis araçlarını kullanması gerektiğini söylüyor. Bunun hiç bir teşhis yapmamaktan daha iyi olacağını savunuyorlar.

Kitap 2000 yılından beri ve karışık etkiler lojistik regresyon ile model tanılama için mevcut yöntemler olup olmadığını merak ediyorum? Aykırı değerleri kontrol etmek için iyi bir yaklaşım ne olabilir?

Düzenle (5 Kas 2013):

Yanıt eksikliğinden dolayı, karışık modellerle teşhis yapmanın genel olarak yapılmadığını veya verileri modellerken önemli bir adım olmadığını merak ediyorum. Öyleyse sorumu yeniden ifade edeyim: "İyi" bir regresyon modeli bulduğunuzda ne yaparsınız?


Yakın zamanda bu kadar dikkat çekmeyen
Henrik

Sen bulabilirsiniz cevabım benzer bir soruya yararlı.
Randel

Yanıtlar:


2

Genelleştirilmiş doğrusal karışık modeller için tanı yöntemleri gerçekten farklıdır. GLMM'den kalıntılara dayandığını gördüğüm makul bir tanesi Pan ve Lin'den kaynaklanıyor (2005, DOI: 10.1111 / j.1541-0420.2005.00365.x). Siparişin açıklayıcı değişkenler veya lineer prediktör tarafından uygulandığı artıkların kümülatif toplamlarını kullanıyorlar, böylece belirli bir öngörücünün fonksiyonel formunun veya bir bütün olarak bağlantı fonksiyonunun spesifikasyonunu test ediyorlar. Boş dağıtımlar, doğru spesifikasyonların boş dağıtımından gelen tasarım alanından gelen simülasyonlara dayanır ve bu testin iyi boyut ve güç özelliklerini gösterdiler. Özellikle aykırı değerleri tartışmamışlardı, ama aykırı değerlerin muhtemelen en azından bağlantı işlevini etkili gözleme çok fazla eğerek atması gerektiğini hayal edebiliyorum.


0

Karışık modeller için teşhise bakmanın en iyi yolunun ne olduğu hakkında birçok farklı görüş var. Genel olarak, hem artıklara hem de tekrarlanmayan önlemler modeli için incelenecek standart yönlere bakmak isteyeceksiniz.

Bunlara ek olarak, tipik olarak, rastgele etkilere de bakmak isteyeceksiniz. Yöntemler genellikle rastgele değişkenlerin çeşitli ortak değişkenler tarafından çizilmesini ve rastgele etkiler dağılımında normallik olmamasını içerir. Çok daha fazla yöntem var (bazıları önceki yorumlarda belirtilmiştir), ancak bu genellikle iyi bir başlangıçtır.

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