Mô hình hỗn hợp tuyến tính tổng quát: Chẩn đoán


11

Tôi có một hồi quy logistic đánh chặn ngẫu nhiên (do các phép đo lặp đi lặp lại) và tôi muốn thực hiện một số chẩn đoán, đặc biệt liên quan đến các ngoại lệ và các quan sát có ảnh hưởng.

Tôi nhìn vào phần dư để xem có những quan sát nào nổi bật không. Nhưng tôi cũng muốn xem xét một cái gì đó như khoảng cách của Cook hoặc DFFITS. Hosmer và Lemeshow (2000) nói rằng do thiếu công cụ chẩn đoán mô hình cho dữ liệu tương quan, người ta chỉ cần phù hợp với mô hình hồi quy logistic thông thường bỏ qua mối tương quan và sử dụng các công cụ chẩn đoán có sẵn cho hồi quy logistic thông thường. Họ cho rằng điều này sẽ tốt hơn là không có chẩn đoán gì cả.

Cuốn sách có từ năm 2000 và tôi tự hỏi liệu bây giờ có phương pháp nào cho chẩn đoán mô hình với hồi quy logistic hiệu ứng hỗn hợp không? Điều gì sẽ là một cách tiếp cận tốt để kiểm tra các ngoại lệ?

Chỉnh sửa (ngày 5 tháng 11 năm 2013):

Do thiếu phản hồi, tôi tự hỏi liệu việc chẩn đoán bằng các mô hình hỗn hợp không được thực hiện nói chung hay không phải là một bước quan trọng khi mô hình hóa dữ liệu. Vì vậy, hãy để tôi viết lại câu hỏi của mình: Bạn sẽ làm gì khi bạn tìm thấy mô hình hồi quy "tốt"?


Bản sao có thể có của một câu hỏi gần đây tương tự cũng không nhận được nhiều sự chú ý đó: stats.stackexchange.com/q/70783/442
Henrik

Bạn có thể tìm thấy câu trả lời của tôi cho một câu hỏi tương tự hữu ích.
Randel

Câu trả lời:


2

Các phương pháp chẩn đoán thực sự khác nhau đối với các mô hình hỗn hợp tuyến tính tổng quát. Một lý do hợp lý mà tôi đã thấy dựa trên số dư từ GLMM là do Pan và Lin (2005, DOI: 10.1111 / j.1541-0420.2005.00365.x). Họ đã sử dụng tổng số tích lũy của phần dư trong đó thứ tự được áp đặt bằng các biến giải thích hoặc bởi bộ dự báo tuyến tính, do đó kiểm tra cả đặc điểm kỹ thuật của dạng dự đoán cụ thể hoặc toàn bộ hàm liên kết. Các bản phân phối null dựa trên các mô phỏng từ không gian thiết kế từ phân phối null của các thông số kỹ thuật chính xác và chúng đã chứng minh các đặc tính công suất và kích thước khá của thử nghiệm này. Họ không thảo luận cụ thể về các ngoại lệ, nhưng tôi có thể tưởng tượng rằng các ngoại lệ có lẽ nên loại bỏ ít nhất chức năng liên kết bằng cách uốn cong nó quá nhiều đối với quan sát có ảnh hưởng.


0

Có rất nhiều ý kiến ​​khác nhau về cách tốt nhất để xem xét chẩn đoán cho các mô hình hỗn hợp là gì. Nói chung, bạn sẽ muốn xem xét cả phần dư và các khía cạnh tiêu chuẩn sẽ được kiểm tra cho một mô hình đo lường không lặp lại.

Ngoài những thứ đó, thông thường, bạn cũng sẽ muốn xem xét các hiệu ứng ngẫu nhiên. Các phương pháp thường liên quan đến việc vẽ các hiệu ứng ngẫu nhiên bởi các hiệp phương sai khác nhau và tìm kiếm sự không quy tắc trong phân phối hiệu ứng ngẫu nhiên. Có nhiều phương pháp khác (một số được đề cập trong các ý kiến ​​trước), nhưng đây thường là một khởi đầu tốt.

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.