Câu hỏi được gắn thẻ «negative-binomial»

Một bản phân phối riêng lẻ, đơn biến mô hình hóa số lần thử nghiệm cho đến khi xảy ra một số lỗi cụ thể. Bernoulli(p)


1
Làm thế nào để đối phó với sự quá mức trong hồi quy Poisson: khả năng gần đúng, GLM nhị thức âm tính, hoặc hiệu ứng ngẫu nhiên ở cấp độ chủ đề?
Tôi đã bắt gặp ba đề xuất để đối phó với sự quá mức trong biến phản hồi Poisson và mô hình bắt đầu hiệu ứng cố định tất cả: Sử dụng mô hình gần đúng; Sử dụng GLM nhị thức âm tính; Sử dụng một mô hình hỗn hợp …

1
Sự thay thế quá mức và mô hình hóa trong các mô hình hiệu ứng ngẫu nhiên Poisson với độ lệch
Tôi đã gặp một số câu hỏi thực tế khi mô hình hóa dữ liệu đếm từ nghiên cứu thử nghiệm bằng cách sử dụng thử nghiệm bên trong chủ đề. Tôi mô tả ngắn gọn về thí nghiệm, dữ liệu và những gì tôi đã làm cho đến nay, …

1
Rắc rối tìm mô hình tốt phù hợp với dữ liệu đếm với các hiệu ứng hỗn hợp - ZINB hoặc cái gì khác?
Tôi có một dữ liệu rất nhỏ về sự phong phú của loài ong đơn độc mà tôi gặp khó khăn khi phân tích. Đó là dữ liệu đếm, và hầu hết tất cả các số đều nằm trong một điều trị với hầu hết các số 0 trong điều …

1
Tiêu chí để chọn mô hình tốt nhất trên mạng trong Mô hình Markov ẩn
Tôi có một bộ dữ liệu chuỗi thời gian mà tôi đang cố gắng khớp với Mô hình Markov ẩn (HMM) để ước tính số lượng trạng thái tiềm ẩn trong dữ liệu. Mã giả của tôi để làm điều này là như sau: for( i in 2 : max_number_of_states …




1
Tại sao Anova () và drop1 () cung cấp các câu trả lời khác nhau cho GLMM?
Tôi có một GLMM có dạng: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Khi tôi sử dụng drop1(model, test="Chi"), tôi nhận được kết quả khác với nếu tôi sử dụng Anova(model, type="III")từ gói xe hơi hoặc summary(model). Hai cái sau cho cùng một …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 






2
Tại sao phần dư của Pearson từ hồi quy nhị thức âm nhỏ hơn so với hồi quy poisson?
Tôi có những dữ liệu này: set.seed(1) predictor <- rnorm(20) set.seed(1) counts <- c(sample(1:1000, 20)) df <- data.frame(counts, predictor) Tôi đã chạy một hồi quy poisson poisson_counts <- glm(counts ~ predictor, data = df, family = "poisson") Và một hồi quy nhị thức âm: require(MASS) nb_counts <- glm.nb(counts ~ predictor, …

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.