Chẩn đoán nào có thể xác nhận việc sử dụng một họ GLM cụ thể?

Điều này có vẻ rất cơ bản, nhưng tôi luôn bị mắc kẹt tại điểm này

Hầu hết các dữ liệu tôi xử lý là không bình thường và hầu hết các phân tích dựa trên cấu trúc GLM. Đối với phân tích hiện tại của tôi, tôi có một biến phản hồi là "tốc độ đi bộ" (mét / phút). Thật dễ dàng để tôi xác định rằng tôi không thể sử dụng OLS, nhưng sau đó, tôi rất không chắc chắn trong việc quyết định gia đình nào (Gamma, Weibull, v.v.) là phù hợp!

Tôi sử dụng Stata và xem xét các chẩn đoán như phần dư và độ không đồng nhất, phần dư so với giá trị được trang bị, v.v.

Tôi biết rằng dữ liệu đếm có thể ở dạng tỷ lệ (ví dụ: tỷ lệ mới mắc) và đã sử dụng gamma (tương tự với các mô hình nhị thức âm tính rời rạc quá mức), nhưng chỉ muốn một "khẩu súng hút thuốc" nói CÓ, BẠN CÓ QUYỀN GIA ĐÌNH. Là nhìn vào phần dư được tiêu chuẩn hóa so với các giá trị được trang bị là cách duy nhất và tốt nhất để làm điều này? Tôi cũng muốn sử dụng một mô hình hỗn hợp để tính toán một số thứ bậc trong dữ liệu, nhưng trước tiên cần phải sắp xếp những gì gia đình mô tả đúng nhất về biến trả lời của tôi.

Bất kỳ trợ giúp đánh giá cao. Ngôn ngữ Stata đặc biệt được đánh giá cao!

Tôi có một số lời khuyên:

(1) Làm thế nào phần dư phải so sánh với sự phù hợp không phải lúc nào cũng rõ ràng, vì vậy thật tốt khi làm quen với chẩn đoán cho các mô hình cụ thể. Trong các mô hình hồi quy logistic, ví dụ, thống kê Hosmer-Lemeshow được sử dụng để đánh giá mức độ phù hợp; giá trị đòn bẩy có xu hướng nhỏ trong đó tỷ lệ cược ước tính là rất lớn, rất nhỏ hoặc thậm chí là khoảng; & Sớm.

(2) Đôi khi một họ mô hình có thể được xem là trường hợp đặc biệt của một mô hình khác, vì vậy bạn có thể sử dụng kiểm tra giả thuyết trên một tham số để giúp bạn chọn. Ví dụ như số mũ so với Weibull.

(3) Tiêu chí thông tin của Akaike rất hữu ích trong việc lựa chọn giữa các mô hình khác nhau, bao gồm lựa chọn giữa các gia đình khác nhau.

(4) Kiến thức lý thuyết / thực nghiệm về những gì bạn đang lập mô hình thu hẹp lĩnh vực của các mô hình hợp lý.

Nhưng không có cách nào tự động tìm gia đình 'đúng'; dữ liệu thực tế có thể đến từ các bản phân phối phức tạp như bạn muốn, và độ phức tạp của các mô hình đáng để thử phù hợp tăng theo số lượng dữ liệu bạn có. Đây là một phần và phần của tuyên bố của Box rằng không có mô hình nào là đúng nhưng một số là hữu ích.

Nhận xét của Re @ gung: có vẻ như thử nghiệm Hosmer-Lemeshow thường được sử dụng là (a) nhạy cảm đáng ngạc nhiên với sự lựa chọn thùng, & (b) thường kém mạnh mẽ hơn so với một số thử nghiệm khác chống lại một số loại giả thuyết thay thế có liên quan. Điều đó không làm mất điểm (1): cũng tốt để cập nhật.

Bạn có thể tìm thấy nó thú vị để đọc các họa tiết (giới thiệu bằng tay) cho gói R fitdistrplus. Tôi nhận ra rằng bạn thích làm việc ở Stata, nhưng tôi nghĩ rằng họa tiết sẽ đủ tự giải thích rằng bạn có thể hiểu được một số hiểu biết về quá trình suy luận các gia đình phân phối từ dữ liệu. Bạn có thể sẽ có thể thực hiện một số ý tưởng trong Stata thông qua mã của riêng bạn. Cụ thể, tôi nghĩ rằng biểu đồ Cullen và Frey, nếu nó được / có thể được thực hiện trong Stata, có thể hữu ích cho bạn.