Mô hình tuyến tính tổng quát so với mô hình tuyến tính tổng quát (có chức năng liên kết nhận dạng?)

Đây là bài viết đầu tiên của tôi, vì vậy xin hãy bình tĩnh nếu tôi không tuân theo một số tiêu chuẩn! Tôi đã tìm kiếm câu hỏi của tôi và không có gì đưa ra.

Câu hỏi của tôi chủ yếu liên quan đến sự khác biệt thực tế giữa mô hình tuyến tính tổng quát (GLM) và mô hình tuyến tính tổng quát (GZLM). Trong trường hợp của tôi, đó sẽ là một vài biến liên tục dưới dạng hiệp biến và một vài yếu tố trong ANCOVA, so với GZLM. Tôi muốn kiểm tra các tác động chính của từng biến, cũng như một tương tác ba chiều mà tôi sẽ phác thảo trong mô hình. Tôi có thể thấy giả thuyết này đang được thử nghiệm trong ANCOVA hoặc sử dụng GZLM. Ở một mức độ nào đó, tôi hiểu các quy trình toán học và lý do đằng sau việc chạy một mô hình tuyến tính chung như ANCOVA và tôi phần nào hiểu rằng GZLM cho phép một hàm liên kết kết nối mô hình tuyến tính và biến phụ thuộc (ok, tôi đã nói dối, có lẽ tôi không thực sự hiểu toán). Những gì tôi thực sự không ' Chúng tôi hiểu sự khác biệt hoặc lý do thực tế để chạy một phân tích và không phải là khác khi phân phối xác suất được sử dụng trong GZLM là bình thường (nghĩa là chức năng liên kết nhận dạng?). Tôi nhận được kết quả rất khác nhau khi tôi chạy cái khác. Tôi có thể chạy không? Dữ liệu của tôi hơi bất thường, nhưng hoạt động ở một mức độ nào đó cả trong ANCOVA và GZLM. Trong cả hai trường hợp, giả thuyết của tôi đều được hỗ trợ, nhưng trong GZLM, giá trị p là "tốt hơn".

Tôi nghĩ rằng ANCOVA là một mô hình tuyến tính với biến phụ thuộc được phân phối bình thường bằng cách sử dụng chức năng liên kết nhận dạng, đó chính xác là những gì tôi có thể nhập vào trong GZLM, nhưng chúng vẫn khác nhau.

Xin hãy làm sáng tỏ những câu hỏi này cho tôi, nếu bạn có thể!

Dựa trên câu trả lời đầu tiên tôi có câu hỏi bổ sung:

Nếu chúng giống hệt nhau ngoại trừ thử nghiệm quan trọng mà nó sử dụng (nghĩa là thử nghiệm F so với Quảng trường Wald Chi), cái nào sẽ thích hợp nhất để sử dụng? ANCOVA là "phương pháp đi đến", nhưng tôi không chắc tại sao thử nghiệm F lại thích hợp hơn. Ai đó có thể làm sáng tỏ câu hỏi này cho tôi? Cảm ơn!

Một mô hình tuyến tính tổng quát chỉ định chức năng liên kết nhận dạng và phân phối gia đình bình thường hoàn toàn tương đương với mô hình tuyến tính (chung). Nếu bạn nhận được kết quả khác nhau rõ rệt từ mỗi kết quả, bạn đang làm sai điều gì đó.

Lưu ý rằng việc chỉ định một liên kết nhận dạng không giống như chỉ định phân phối bình thường.

Một số gói phần mềm có thể báo cáo các giá trị khác nhau đáng chú ý khi mức độ tự do còn lại là nhỏ nếu nó tính toán các giá trị này bằng cách sử dụng các phân phối bình thường và bình phương tiệm cận cho tất cả các mô hình tuyến tính tổng quát. Tất cả các phần mềm sẽ báo cáo -values dựa trên sinh viên - và Fisher -distributions cho các mô hình tuyến tính tổng quát, vì đây là chính xác hơn cho độ dư nhỏ của tự do khi họ không dựa vào asymptotics. Sinh viên - và phân phối của Fisher chỉ có giá trị cho gia đình bình thường, mặc dù một số khác$p$$p$$t$$F$$t$$F$ phần mềm cho các mô hình tuyến tính tổng quát cũng có thể sử dụng các giá trị này gần đúng khi phù hợp với các họ khác với tham số tỷ lệ được ước tính từ dữ liệu.

Tôi muốn bao gồm kinh nghiệm của tôi trong cuộc thảo luận này. Tôi đã thấy rằng một mô hình tuyến tính tổng quát (chỉ định hàm liên kết nhận dạng và phân phối gia đình bình thường) giống hệt với mô hình tuyến tính chung chỉ khi bạn sử dụng ước tính khả năng tối đa làm phương pháp tham số tỷ lệ. Mặt khác, nếu "giá trị cố định = 1" được chọn làm phương thức tham số tỷ lệ, bạn sẽ nhận được các giá trị p rất khác nhau. Kinh nghiệm của tôi cho thấy thường nên tránh "giá trị cố định = 1". Tôi tò mò muốn biết liệu ai đó biết khi nào thì phù hợp để chọn giá trị cố định = 1 làm phương pháp tham số tỷ lệ. Cảm ơn trước. dấu