«generalized-linear-model» etiketlenmiş sorular

Bazılarınız bu güzel makaleyi okumuş olabilir: O'Hara RB, Kotze DJ (2010) Sayım verilerini günlüğe kaydetmeyin. Ekoloji ve Evrimde Yöntemler 1: 118-122. tıklayın . Araştırma alanımda (ekotoksikoloji) kötü çoğaltılmış deneylerle uğraşıyoruz ve GLM'ler yaygın olarak kullanılmıyor. Bu yüzden O'Hara & Kotze (2010) ile benzer bir simülasyon yaptım, ancak ekotoksikolojik verileri taklit …

18 r  generalized-linear-model  simulation  negative-binomial  type-i-and-ii-errors 

Genelleştirilmiş Doğrusal Modeller hakkında orta seviye bir kitap arıyorum. İdeal olarak, modellerin arkasındaki teoriye ek olarak, R veya başka bir programlama dilinde uygulamaları ve örnekleri içermesini isterim - SAS'ın da popüler bir seçim olduğunu duyuyorum. Kendi başıma çalışmayı planlıyorum ve bu yüzden kendi egzersizlerine cevaplar vermesi yardımcı olacaktır. Matematik ve …

18 self-study  generalized-linear-model  references 

Ben, lineer regresyon ve GLM okumak neredeyse her şey bu kaynar: f ( x , β ) bir non-arttırılması ya da işlevini azalmayan x ve β Eğer tahmin parametresi ve bir testtir hakkında hipotezler. Y'yi f ( x'in doğrusal bir işlevi haline getirmek için düzinelerce bağlantı işlevi ve y ve …

18 generalized-linear-model  nonlinear-regression  link-function 

Benden iki ilgili soru. Bir sütunda (aralık 10-17 hasta) çok sayıda hasta ve o gün bir olayın olup olmadığını gösteren 0 ve 1'leri içeren bir veri çerçevem ​​var. Hasta sayısındaki olayın olasılığını azaltmak için bir binom modeli kullanıyorum. Bununla birlikte, daha fazla hasta olduğunda, kaçınılmaz olarak daha fazla olay olacağı …

18 binomial  generalized-linear-model  offset 

Merhaba Hiç kullanmadığım çok düzeyli / karma modeller için doğal adaylar gibi görünen iki problemim var. Daha basit ve bir giriş olarak denemeyi umduğum, aşağıdaki gibidir: Veriler formun birçok satırına benziyor x y innergroup outergroup burada x, y'yi (başka bir sayısal değişken) gerilemek istediğim sayısal bir eşdeğerdir, her y bir …

18 r  mixed-model  maximum-likelihood  generalized-linear-model 

Neden GLMS'ye bazı özel optimizasyon problemleriymiş gibi muamele ettiğimizi merak ediyorum. Öyle mi? Bana öyle geliyor ki, bunlar sadece maksimum olasılıktır ve olasılığı yazıyoruz ve sonra ... maksimize ediyoruz! Peki neden uygulamalı matematik literatüründe geliştirilmiş sayısız optimizasyon planı yerine Fisher puanlaması kullanıyoruz?

18 generalized-linear-model  optimization  fisher-scoring 

Beta regresyonunun (yani beta dağılımlı GLM ve genellikle logit bağlantı fonksiyonu), kesirler, oranlar veya olasılıklar gibi 0 ve 1 arasında değerler alarak bağımlı değişken değişken yanıtı ele alması önerilir: Bir sonuç için regresyon (oran veya kesir) 0 ile 1 arasında . Bununla birlikte, yanıt değişkeninin en az bir kez 0 …

17 regression  generalized-linear-model  beta-distribution  zero-inflation  beta-regression 

Böyle bir kodu kullanarak R'de bir logit regresyonu gerçekleştirilebilir: > library(MASS) > data(menarche) > glm.out = glm(cbind(Menarche, Total-Menarche) ~ Age, + family=binomial(logit), data=menarche) > coefficients(glm.out) (Intercept) Age -21.226395 1.631968 Optimizasyon algoritmasının birleştiği anlaşılıyor - balıkçı puanlama algoritmasının adım sayısı hakkında bilgi var: Call: glm(formula = cbind(Menarche, Total - Menarche) ~ …

17 r  generalized-linear-model  optimization  algorithms  logit 

Altı bağımlı değişken (veri saymak) ve birkaç bağımsız değişken var, bir MMR komut dosyası şöyle gider görüyorum: my.model <- lm(cbind(DV1,DV2,DV3,DV4,DV5,DV6) ~ IV1 + IV2 + ... + IVn) Ancak, verilerim sayıldığından, genelleştirilmiş doğrusal bir model kullanmak istiyorum ve bunu denedim: my.model <- glm(cbind(DV1,DV2,DV3,DV4,DV5,DV6) ~ IV1 + IV2 + ... + …

17 r  generalized-linear-model  multiple-regression 

Bazı lojistik regresyonlarla çalışıyoruz ve ortalama tahmini olasılığın her zaman örnekteki orana eşit olduğunu fark ettik; yani, takılan değerlerin ortalaması numunenin ortalamasına eşittir. Bu gösteriyi bulabileceğim biri bana nedenini açıklayabilir veya referans verebilir mi?

17 regression  logistic  modeling  generalized-linear-model  maximum-likelihood 

Poisson GLM'nin tamsayı olmayan sayıları kabul etmesi beni gerçekten şaşırttı! Bak: Veriler (içeriği data.txt): 1 2001 0.25 1 1 2002 0.5 1 1 2003 1 1 2 2001 0.25 1 2 2002 0.5 1 2 2003 1 1 R kodu: t <- read.table("data.txt") names(t) <- c('site', 'year', 'count', 'weight') tm …

17 r  generalized-linear-model  poisson-distribution  poisson-regression 

Basit soru: R'deki GLM ailesi argümanında lognormal dağılım nasıl belirtilir? Bunun nasıl başarılabileceğini bulamadım. Lognormal (veya üstel) neden aile argümanında bir seçenek değil? R-Arşivlerinde bir yerde, bir lognormal belirtmek için GLM'de gaussian olarak ayarlanan aile için günlük bağlantısını kullanmak zorunda olduğumu okudum. Bununla birlikte, bu saçmalıktır, çünkü bu doğrusal olmayan …

17 r  distributions  generalized-linear-model  lognormal 

Birkaç farklı toplama teknikleri arasında karşılaştırmaya çalıştığım balık yoğunluğu verileri var, veriler çok sayıda sıfır var ve histogram yoğunlukları tamsayı olmadığı dışında bir poisson dağılımı için uygun vaugley görünüyor. GLM'ler için nispeten yeniyim ve son birkaç günü hangi dağıtımın kullanılacağını nasıl anlayacağımı öğrenmek için çevrimiçi olarak geçirdim, ancak bu kararı …

17 regression  distributions  generalized-linear-model  link-function 

Bir GLM yaparken ve anova çıktısında "tekillikler nedeniyle tanımlanmadı" hatası alırsanız, bu hata oluşmasına nasıl karşı koyarsınız? Bazıları bunun ortak değişkenler arasındaki kollearlıktan kaynaklandığını veya veri kümesinde seviyelerden birinin bulunmadığını ileri sürmüştür (bakınız: lm'deki "tekillikler nedeniyle tanımlanmadı" yorumlama ) Hangi "Özellikle tedavi" modelini yönlendirdiğini görmek istedim ve ben tedavi 4 …

17 r  generalized-linear-model  regression-coefficients 

Standart Pearson Kalıntılarının geleneksel olasılıklarla elde edildiğini biliyorum: ri=yi−πiπi(1−πi)−−−−−−−−√ri=yi−πiπi(1−πi) r_i = \frac{y_i-\pi_i}{\sqrt{\pi_i(1-\pi_i)}} ve Sapma Kalıntıları daha istatistiksel bir yolla elde edilir (her noktanın olasılığa katkısı): di=si−2[yilogπi^+(1−yi)log(1−πi)]−−−−−−−−−−−−−−−−−−−−−−−−−−√di=si−2[yilog⁡πi^+(1−yi)log⁡(1−πi)] d_i = s_i \sqrt{-2[y_i \log \hat{\pi_i} + (1 - y_i)\log(1-\pi_i)]} burada ise 1 = 1 = ise = -1 = 0.sisis_iyiyiy_isisis_iyiyiy_i Bana, sezgisel olarak, …

16 regression  logistic  generalized-linear-model  residuals  deviance