So sánh mô hình nhị thức âm và quasi-Poisson


10

Tôi đã chạy các mô hình nhị thức và quasi-Poisson âm dựa trên phương pháp thử nghiệm giả thuyết. Các mô hình cuối cùng của tôi sử dụng cả hai phương pháp có các hiệp phương sai và tương tác khác nhau. Dường như không có mô hình nào khi tôi vẽ phần dư của mình trong cả hai trường hợp. Vì vậy, tôi đã tự hỏi tôi có thể sử dụng thử nghiệm nào để xem mô hình nào phù hợp với dữ liệu của mình hơn vì quasi-Poisson không có bất kỳ khả năng nào hoặc AIC Cuộc

Ngoài ra, tôi có quá nhiều sự thay thế khiến tôi nghĩ rằng nhị thức âm sẽ phù hợp hơn, nhưng tôi không biết liệu tôi có thể chọn mô hình của mình dựa trên ý nghĩa thông thường hay không

Câu trả lời:


10

Tôi thấy quasi-poisson là một sửa chữa kỹ thuật; nó cho phép bạn ước tính như một tham số bổ sung , tham số phân tán. Trong định nghĩa Poisson ϕ = 1 . Nếu dữ liệu của bạn không phân tán hoặc nhiều hơn thế, các lỗi tiêu chuẩn của các hệ số mô hình bị sai lệch. Bằng cách ước tính φ tại cùng thời điểm với việc ước tính các hệ số mô hình khác, bạn có thể cung cấp một sự điều chỉnh để các sai số chuẩn mô hình, và do đó thống kê thử nghiệm của họ và liên kết p -values. Đây chỉ là một sự điều chỉnh cho các giả định mô hình.φφ= =1φ^p

Nhị thức âm là một mô hình trực tiếp hơn cho sự quá mức; rằng quá trình tạo dữ liệu là hoặc có thể được xấp xỉ bởi một nhị thức âm.

Quasi-Poisson cũng giới thiệu cả đống vấn đề thực tế như nó không có khả năng thực sự do đó toàn bộ những điều hữu ích cho việc lựa chọn mô hình, như kiểm tra tỷ lệ khả năng, AIC, v.v ... (Tôi biết có một thứ gọi là QAIC , nhưng glm()ví dụ của R sẽ không cung cấp cho bạn).

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.