R paketi gamlss kullanarak ve verilerin sıfır şişirilmiş beta dağılımı varsayarak GAM tabanlı bir regresyon çalıştırıyorum . Temelde bu yüzden benim modelinde sadece tek açıklayıcı değişken vardır: mymodel = gamlss(response ~ input, family=BEZI)
.
Algoritma , açıklayıcı değişkenin ortalamaya ( ) etkisi için katsayısını ve için ilişkili p değerini verir :
Mu link function: logit
Mu Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.58051 0.03766 -68.521 0.000e+00
input -0.09134 0.01683 -5.428 6.118e-08
Yukarıdaki örnekte de görebileceğiniz gibi, hipotezi büyük bir güvenle reddedilmektedir.
Sonra null modeli çalıştırıyorum: null = gamlss(response ~ 1, family=BEZI)
ve bir olasılık-oran testi kullanarak olasılıkları karşılaştırıyorum:
p=1-pchisq(-2*(logLik(null)[1]-logLik(mymodel)[1]), df(mymodel)-df(null)).
Bazı durumlarda, girişteki katsayıların yüksek derecede önemli olduğu bildirilse bile (> yukarıdaki gibi) elde ederim . Bunu oldukça sıra dışı buluyorum - en azından doğrusal veya lojistik regresyon deneyimimde hiç olmadı (aslında, sıfır ayarlı gamayı gamls ile kullanırken de hiç olmadı).
Sorum şu: Bu durumda yanıt ve girdi arasındaki bağımlılığa hala güvenebilir miyim?