Cách diễn giải các tham số trong GLM với gia đình = Gamma


21

Tôi có một câu hỏi liên quan đến việc giải thích tham số cho GLM với biến phụ thuộc phân phối gamma. Đây là những gì R trả về cho GLM của tôi với một liên kết nhật ký:

Call:
glm(formula = income ~ height + age + educat + married + sex + language + highschool, 
    family = Gamma(link = log), data = fakesoep)

Deviance Residuals: 
       Min        1Q    Median        3Q       Max  
  -1.47399  -0.31490  -0.05961   0.18374   1.94176  

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)  6.2202325  0.2182771  28.497  < 2e-16 ***
height       0.0082530  0.0011930   6.918 5.58e-12 ***
age          0.0001786  0.0009345   0.191    0.848    
educat       0.0119425  0.0009816  12.166  < 2e-16 ***
married     -0.0178813  0.0173453  -1.031    0.303    
sex         -0.3179608  0.0216168 -14.709  < 2e-16 ***
language     0.0050755  0.0279452   0.182    0.856    
highschool   0.3466434  0.0167621  20.680  < 2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1   1

(Dispersion parameter for Gamma family taken to be 0.1747557)

Null deviance: 757.46  on 2999  degrees of freedom
Residual deviance: 502.50  on 2992  degrees of freedom
AIC: 49184

Làm thế nào để tôi giải thích các tham số? Nếu tôi tính toán exp(coef())mô hình của mình, tôi nhận được ~ 500 cho việc đánh chặn. Bây giờ tôi tin rằng điều đó không có nghĩa là thu nhập dự kiến ​​nếu tất cả các biến khác được giữ cố định, phải không? Vì trung bình hoặc mean(age)nằm ở ~ 2000. Ngoài ra, tôi không biết cách giải thích hướng và giá trị của các hệ số của hiệp phương sai.


6
500 sẽ gần với thu nhập dự kiến ​​nếu tất cả các biến khác chính xác bằng 0 (không chỉ là hằng số) --- giống như trong hồi quy, thực sự.
Glen_b -Reinstate Monica

@Glen_b tại sao nó sẽ là thu nhập dự kiến ​​khi hàm mũ của hệ số là hiệu ứng nhân lên thu nhập khi có sự thay đổi trong biến giải thích?
chiếu

Trường hợp đang thảo luận là trung bình có điều kiện khi tất cả các biến giải thích là 0.
Glen_b -Reinstate Monica

Câu trả lời:


25

Đặc tả gamma GLM được liên kết với log giống hệt với hồi quy theo cấp số nhân:

E[y|x,z]=exp(α+βx+γz)=y^

Điều này có nghĩa là . Đó không phải là một giá trị rất có ý nghĩa (trừ khi bạn tập trung vào các biến của mình thành số 0 trước đó).E[y|x=0,z=0]=exp(α)

Có ít nhất ba cách để giải thích mô hình của bạn. Một là lấy đạo hàm của giá trị mong đợi của cho x đối với x :yxx

E[y|x,z]x=exp(α+βx+γz)β=y^β

xzxzy^βxy

x

E[y|z,x=1]E[y|z,x=0]=exp(α+β+γz)exp(α+γz)=exp(α+γz)(exp(β)1)

x

Phương pháp thứ ba là lũy thừa các hệ số. Lưu ý rằng:

E[y|z,x+1]=exp(α+β(x+1)+γz)=exp(α+βx+β+γz)=exp(α+βx+γz)exp(β)=E[y|z,x]exp(β)

This means that you can interpret the exponentiated coefficients multiplicatively rather than additively. They give you the multiplier on the expected value when x changes by 1.


1
Would you be able to illustrate the second interpretation?
tatami

@tatami I fixed a mistake in the binary case. Does it makes more sense now?
Dimitriy V. Masterov

2

First I would look at the residuals to see how well the model fits. If it's OK, I would try using other link functions unless I had reason to believe it really came from a gamma distribution. If the gamma still looked convincing, I would conclude that the statistically significant terms are the intercept, height, education, sex, and high school (the ones marked with three stars). Among themselves one can't say more unless they are standardized (have the same range).

Response to comment: I understand your question better now. You absolutely can do that! A unit increase in the height causes a exp(0.0082530)-1 ~= 0.0082530 (using the exp x = 1 + x approximation for small x) relative change in the income. Very easy to interpret, no?


1
So I can't actually interpret the parameters e.g. the income increases by xy if the height increases by one?

1
I believe now that I have to interpret it multiplicatively: exp(Intercept)*exp(height) would be the income with a 1 unit increase in height. Thank you nonetheless! :)
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.