সাধারণ অনুমানের সমীকরণ বনাম মিশ্র প্রভাবগুলির মডেলগুলি কখন ব্যবহার করবেন?

আমি দীর্ঘমেয়াদী ডেটা সহ কিছুক্ষণের জন্য মিশ্রিত প্রভাবগুলির মডেলগুলি বেশ আনন্দের সাথে ব্যবহার করছি। আমি আশা করি আমি এআর-র সম্পর্কগুলিতে লিটারে ফিট করতে পারি (আমি মনে করি আমি ঠিক করতে পারি যে আমি এটি করতে পারি না?) তবে আমি মনে করি না যে এটি মারাত্মকভাবে গুরুত্বপূর্ণ তাই আমি খুব বেশি চিন্তা করব না।

আমি সবেমাত্র সাধারণ অনুমানের সমীকরণগুলি (জিইই) নিয়ে এসেছি এবং তারা এমই মডেলগুলির চেয়ে অনেক বেশি নমনীয়তার প্রস্তাব দেয়।

অতিরিক্ত-সাধারণ প্রশ্ন জিজ্ঞাসা করার ঝুঁকিতে, কোনও কার্যক্রমে কোনও পরামর্শ রয়েছে যা বিভিন্ন কাজের জন্য ভাল? আমি তাদের তুলনা করে কিছু কাগজপত্র দেখেছি এবং সেগুলি ফর্মের দিকে ঝোঁক:

"এই উচ্চতর বিশেষায়িত অঞ্চলে এক্স এর জন্য জিইই ব্যবহার করবেন না, ওয়াইয়ের জন্য এমই মডেল ব্যবহার করবেন না"।

আমি আর কোনও সাধারণ পরামর্শ পাই না। কেউ কি আমাকে আলোকিত করতে পারেন?

ধন্যবাদ!

mixed-model gee

— ক্রিস বিলি
সূত্র

"তারা আরও অনেক নমনীয়তা সরবরাহ করে বলে মনে হচ্ছে" ... ঠিক আছে, জিএইএমএম ব্যবহার করার সময় শর্তসাপেক্ষ শর্তযুক্তির বিপরীতে জিইইগুলি একটি প্রান্তিক বিতরণে মাপসই করা হয় বলে তারা তাদের পদ্ধতির মধ্যেও পৃথক।

— chl

নিম্নলিখিত সিভি প্রশ্নগুলিও এই উপাদানটি নিয়ে আলোচনা করে: এসপিএসএসে সাধারণীভূত রৈখিক মডেল এবং লিনিয়ার মিশ্রিত মডেলগুলির মধ্যে পার্থক্য ; সাধারণীকৃত অনুমানের সমীকরণ এবং জিএলএমএম এর মধ্যে পার্থক্য কী ।

— গুং - মনিকা পুনরায়

নোট যে glmmPQLএআর পারস্পরিক সম্পর্ক কাঠামোর সাথেও মাপসই করতে পারে

— টম ওয়েনসিলিয়ার্স

এআর সম্পর্ক কী?

— উদাহরণস্বরূপ পরিসংখ্যানগুলি শিখতে

@ ইনকোডেরিটাস অটোরেগ্রেসিভ কোভারিয়েন্স কাঠামো

— টমমিক্সি

উত্তর:

$j$ $i$ $Y_{ij}$

\log (\frac{p_{i j}}{1 - p_{i j}}) = μ + η_{i}

$\log \left( \frac{p_{ij}}{1-p_{ij}} \right) = \mu + \eta_{i}$

$\eta_{i} \sim N(0,\sigma^{2})$ $i$ $p_{ij} = P(Y_{ij} = 1|\eta_{i})$

$\mu$

আপনি যদি এই ডেটাতে জিইই ব্যবহার করেন, আপনি জনসংখ্যার গড় লগ প্রতিক্রিয়াগুলি অনুমান করবেন। এই ক্ষেত্রে যে হবে

ν = \log (\frac{E_{η} (\frac{1}{1 + e^{- μ - η_{i}}})}{1 - E_{η} (\frac{1}{1 + e^{- μ - η_{i}}})})

$\nu = \log \left( \frac{ E_{\eta} \left( \frac{1}{1 + e^{-\mu-\eta_{i}}} \right)}{ 1-E_{\eta} \left( \frac{1}{1 + e^{-\mu-\eta_{i}}} \right)} \right)$

$\nu \neq \mu$ $\mu = 1$ $\sigma^{2} = 1$ $\nu \approx .83$

সম্পাদনা: সাধারণভাবে, কোনও পূর্বাভাসকর্তার সাথে একটি মিশ্র প্রভাবগুলির মডেল হিসাবে লেখা যেতে পারে

ψ (E (Y_{i j} | η_{i})) = μ + η_{i}

$\psi \big( E(Y_{ij}|\eta_{i}) \big) = \mu + \eta_{i}$

$\psi$

ψ (E_{η} (ψ^{- 1} (E (Y_{i j} | η_{i})))) \neq E_{η} (E (Y_{i j} | η_{i}))

$\psi \Big( E_{\eta} \Big( \psi^{-1} \big( E(Y_{ij}|\eta_{i}) \big) \Big) \Big) \neq E_{\eta} \big( E(Y_{ij}|\eta_{i}) \big)$

$\psi(x) = x$

সম্পাদনা 2: এটিও লক্ষণীয় যে জিআইই মডেল দ্বারা উত্পাদিত "শক্তসমর্থ" স্যান্ডউইচ-প্রমিত স্ট্যান্ডার্ড ত্রুটিগুলি বৈধ অ্যাসিম্পটোটিক আত্মবিশ্বাসের অন্তরগুলি সরবরাহ করে (উদাহরণস্বরূপ তারা প্রকৃতপক্ষে 95% সময় কভার করে) এমনকি যদি মডেলটিতে বর্ণিত পারস্পরিক কাঠামোটি না হয় সঠিক।

3 সম্পাদনা করুন: আপনার আগ্রহ যদি ডেটাতে অ্যাসোসিয়েশন কাঠামোটি বোঝার ক্ষেত্রে থাকে তবে সমিতির জিইই অনুমানগুলি কুখ্যাতভাবে অক্ষম (এবং কখনও কখনও অসঙ্গত) হয়। আমি এর জন্য একটি রেফারেন্স দেখেছি কিন্তু এখনই এটি স্থাপন করতে পারছি না।

— ম্যাক্রো
সূত্র

(+1) আপনার ২ য় সম্পাদনা সম্পর্কে, আমি যুক্ত করব যে মডেল-ভিত্তিক ভেরিয়েন্স অনুমানকারীগুলি অল্প সংখ্যক ক্লাস্টারের সাথে আরও ভাল কাজ করবে (বা আমরা একটি জ্যাকনিফ অনুমানকারী ব্যবহার করতে পারি)। একটি রেফারেন্স হিসাবে, আমি সর্বদা gbi.agrsci.dk/statistics/courses/phd07/matory/Day10 , যা খুব সুন্দর বক্তৃতা নোট (স্ট্যাটাস পটভূমি, জিইই বনাম জিএলএমএম পদ্ধতির সাথে তুলনা + আর চিত্রের চিত্র সহ) নির্দেশ করে ।

— chl

বাহ, কি দুর্দান্ত উত্তর। অনেক ধন্যবাদ. আমি পুরোপুরি এটিই খুঁজছিলাম। এবং লিঙ্কের জন্য খুব chl ধন্যবাদ। +10 আপনাকে উভয়কেই বাধা দেয়।

— ক্রিস বিলি

জিআইই এর উচ্চতর স্তরের প্রভাবগুলি কী উপদ্রব পরামিতি বলে ধরে নিবে না? আমার কাছে এটি অন্য একটি গুরুত্বপূর্ণ পার্থক্য বলে মনে হচ্ছে - যদি কেউ সেই প্রভাবগুলির প্রতি আগ্রহী হয়, তবে জিইই আপনাকে তা দেবে না। বিকল্পভাবে, আপনি যদি এই বিতরণীয় অনুমানগুলি তৈরি করতে স্বাচ্ছন্দ্য বোধ করেন না তবে সম্ভবত জিইই পছন্দনীয় হবে।

— robin.datadrivers

@ চিএল প্রদত্ত লিঙ্কটি মারা গেছে: / (ছয় বছর পরে প্রত্যাশিত এক ধরণের প্রত্যাশিত, তাই না?)

— গিলহার্ম মার্থে

পছন্দ করুন দুর্ভাগ্যক্রমে, আমি একই উপাদানের সাথে অন্য থ্রেডে লিঙ্ক করেছি । আমি দুটি বিকল্প দেখতে পাচ্ছি: জিপ্যাক আর প্যাকেজটি উল্লেখ করুন (একই দুটি লেখক দ্বারা বিকাশিত) বা আপাতত ওয়েব্যাক মেশিনটি ব্যবহার করুন।

— সিএল

যখন আমরা বয়েসিয়ান মডেলিং ব্যবহার করছি না এবং যখন কোনও পূর্ণ সম্ভাবনার সমাধান পাওয়া যায় না তখন আমার মনে জিইই সবচেয়ে দরকারী। এছাড়াও, GEE এর পর্যাপ্ত পরিমাণে নির্ভুল হওয়ার জন্য বৃহত্তর নমুনার আকারের প্রয়োজন হতে পারে এবং এগুলি এলোমেলোভাবে অনুপস্থিত দ্রাঘিমাংশের ডেটা থেকে খুব অ-শক্তিশালী। জিআইই অনুমান করে যে এলোমেলোভাবে পুরোপুরি নিখোঁজ রয়েছে যদিও সম্ভাবনা পদ্ধতিগুলি (মিশ্রিত প্রভাব মডেল বা জেনারেলাইজড ন্যূনতম স্কোয়ারগুলি উদাহরণস্বরূপ) কেবল এলোমেলোভাবে অনুপস্থিত বলে মনে করেন।

— ফ্র্যাঙ্ক হ্যারেল
সূত্র

আপনি ফিটজমুরিস, লেয়ার্ড এবং ওয়ার, ফলিত অনুদৈর্ঘ্য বিশ্লেষণ , জন উইলি অ্যান্ড সন্স, ২০১১, ২ য় সংস্করণ, অধ্যায় ১১-১। এ আপনি একটি বিশদ আলোচনা এবং সুনির্দিষ্ট উদাহরণ পেতে পারেন ।

উদাহরণ হিসাবে, আপনি সহচর ওয়েবসাইটে ডেটাসেট এবং এসএএস / স্টাটা / আর প্রোগ্রামগুলি খুঁজে পেতে পারেন ।

— সের্গিও
সূত্র

আপনি কি এই বইয়ের মূল বিষয়গুলি সংক্ষেপে বলতে পারেন?

— chl

আমি বলব যে ম্যাক্রো ইতিমধ্যে এটি সম্পন্ন করেছে ;-) বইটিতে আপনি দীর্ঘ এবং আরও বিস্তারিত আলোচনা, কিছু বিশ্লেষণাত্মক, সংখ্যাসূচক এবং গ্রাফিকাল উদাহরণ এবং আরও কিছু বিষয় খুঁজে পেতে পারেন যাগুলির মধ্যে ফ্র্যাঙ্ক হ্যারেল যুক্ত করেছে। আপনি জেলম্যানের ব্লগেও দেখতে পারেন ।

— সার্জিও