So sánh các mô hình hồi quy trên dữ liệu đếm


11

Gần đây tôi phù hợp với 4 mô hình hồi quy bội cho cùng một dữ liệu dự đoán / phản hồi. Hai trong số các mô hình tôi phù hợp với hồi quy Poisson.

model.pois <- glm(Response ~ P1 + P2 +...+ P5, family=poisson(), ...)
model.pois.inter <- glm(Response ~ (P1 + P2 +...+ P5)^2, family=poisson(), ...)

Hai trong số các mô hình tôi phù hợp với hồi quy nhị thức âm.

library(MASS)
model.nb <- glm.nb(Response ~ P1 + P2 +...+ P5, ...)
model.nb.inter <- glm.nb(Response ~ (P1 + P2 +...+ P5)^2, ...)

Có một thử nghiệm thống kê nào tôi có thể sử dụng để so sánh các mô hình này không? Tôi đã sử dụng AIC như một thước đo về sự phù hợp, nhưng AFAIK điều này không đại diện cho một thử nghiệm thực tế.


Bạn muốn so sánh sự phù hợp của các mô hình bằng cách sử dụng một bài kiểm tra thống kê, phải không? Loại giả thuyết nào bạn muốn kiểm tra?
Lửa

@Firefeather Ví dụ, tôi muốn kiểm tra xem mức độ phù hợp của model.nb.inter tốt hơn đáng kể so với không model.pois.inter. Vâng, AIC thấp hơn, nhưng thấp hơn bao nhiêu tạo thành tốt hơn đáng kể ?
Daniel Standage

Lưu ý: câu trả lời cho câu hỏi này không thực sự bao gồm AIC.
Daniel Standage

Fmodel.poismodel.pois.intermodel.nbmodel.nb.interF

1
@Firefeather, vâng tôi nhận thấy sự cần thiết phải kiểm soát mức độ tự tin của gia đình. Scheffe sẽ thích hợp hơn ở đây hơn là, nói, Bonferroni?
Daniel Standage

Câu trả lời:


14

Bạn có thể so sánh mô hình nhị thức âm tính với mô hình Poisson tương ứng với thử nghiệm tỷ lệ khả năng. Một mô hình Poisson tương đương với một mô hình nhị thức âm với tham số quá mức bằng không. Do đó, chúng là các mô hình lồng nhau và tỷ lệ khả năng là hợp lệ. Sự phức tạp là tham số quá mức bị hạn chế là không âm, nghĩa là nó không thể nhỏ hơn 0, do đó, giả thuyết null nằm trên ranh giới của không gian tham số. Điều này có nghĩa là thay vì so sánh hai lần khả năng log với phân phối chi bình phương với một bậc tự do, bạn cần so sánh nó với phân phối hỗn hợp bao gồm các phần bằng nhau của bình phương với 1 df và khối lượng điểm bằng 0 (một phân phối chi bình phương với độ tự do bằng không). Điều đó có nghĩa là trong thực tế là bạn có thể tính giá trị p bằng cách sử dụng bình phương với 1 df và sau đó giảm một nửa. Để biết thêm chi tiết và nền, xem Trường hợp 5 củaTự & Lương JASA 1987; 82 : 605-610. .

Lưu ý rằng một số gói phần mềm thống kê, chẳng hạn như Stata, sẽ tự động làm tất cả điều này cho bạn khi bạn phù hợp với mô hình nhị thức âm. Trên thực tế, tôi đã biết xấu hổ về những điều trên từ hệ thống trợ giúp của Stata - nếu bạn có Stata, hãy xemhelp j_chibar .


5

Tôi tin anova()vào R có thể được sử dụng cho việc này. Mặc dù tên của nó, đó là một thử nghiệm tỷ lệ khả năng. Crawley trong Cuốn sách R của mình có một số ví dụ về cách sử dụng.


1

Như onestop lưu ý, vì các mô hình được lồng nhau, bạn có thể thực hiện kiểm tra tỷ lệ khả năng.

Nói chung mặc dù điều đó không đúng, vì vậy nếu bạn muốn so sánh các mô hình không lồng nhau, bạn có thể sử dụng thử nghiệm của Vượng .

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.