GLM এবং GEE এর মধ্যে পার্থক্য কী?

Question

বাইনারি রেসপন্স ভেরিয়েবলের সাথে একটি জিএলএম মডেল (লজিস্টিক রিগ্রেশন) এর মধ্যে পার্থক্য কী আছে যা বিষয় এবং সময়কে কোভারিয়েট হিসাবে অন্তর্ভুক্ত করে এবং অনুরূপ জিইই মডেল যা একাধিক সময় পয়েন্টে পরিমাপের মধ্যে অ্যাকাউন্টের সম্পর্ক গ্রহণ করে?

আমার জিএলএম দেখতে দেখতে:

Y(binary) ~ A + B1X1(subject id) + B2X2(time) 
              + B3X3(interesting continuous covariate)

লজিট লিঙ্ক ফাংশন সহ।

দুটি মডেলের সময়কে কীভাবে এবং কেন আলাদাভাবে বিবেচনা করা হয় এবং ব্যাখ্যাগুলির জন্য এর কী কী প্রভাব পড়বে তার একটি সহজ (সমাজ বিজ্ঞানীকে লক্ষ্য করে) ব্যাখ্যা আমি খুঁজছি।

Comments

আমি সম্পর্কিত প্রশ্নের এই প্রতিক্রিয়াগুলি খুঁজে পেয়েছি ( সাধারণীকরণের অনুমানের সমীকরণ এবং জিএলএমএম এর মধ্যে পার্থক্য কী ? , সাধারণীকরণ অনুমান সমীকরণ বনাম মিশ্র প্রভাবগুলির মডেলগুলি কখন ব্যবহার করবেন? ) খুব বিস্তৃত, যদিও এগুলি জিএইএম বনাম জিএমই এর সাথে এলোমেলো প্রভাব রয়েছে ।

— chl

আপনি কি সত্যিই ধারাবাহিক কোভারিয়েট হিসাবে সাবজেক্ট আইডি ফিট করতে চান? প্রতিক্রিয়াশীল ভেরিয়েবলটি আইডির ক্রমবর্ধমান বা হ্রাস করা ফাংশন হওয়া আশ্চর্যজনক বলে মনে হয়।

— অতিথি

জনসংখ্যার গড় প্রভাব বনাম সম্পর্কিত নির্দিষ্ট প্রভাব effects

— উইল

এখানে দুজনের মধ্যে পার্থক্য নিয়ে আলোচনা করা একটি নিবন্ধের লিঙ্ক। aje.oxfordjournals.org/content/147/7/694.full.pdf+html

— উইল

উপরের লিঙ্ক লিঙ্কগুলিতে @ প্রশ্নগুলি ছাড়াও, এই প্রশ্নটি এই ধারণাগুলিও আলোচনা করে: এসপিএসএসে জেনারাইজড লিনিয়ার মডেল এবং লিনিয়ার মিশ্রিত মডেলগুলির মধ্যে পার্থক্য ।

— গুং - মনিকা পুনরায়

Answer 1

এখানে আরও ভাল এবং আরও বিশদ উত্তর হতে পারে তবে আমি আপনাকে কিছু সহজ, দ্রুত ধারণা দিতে পারি। মনে হচ্ছে আপনি একাধিক সময় পয়েন্টে কিছু বিষয় থেকে সংগৃহীত ডেটা ফিট করার জন্য জেনারালাইজড লিনিয়ার মডেল (উদাহরণস্বরূপ, একটি সাধারণ লজিস্টিক রিগ্রেশন) ব্যবহার করার কথা বলছেন। প্রথম ব্লাশে, আমি এই পদ্ধতির সাথে দুটি সুস্পষ্ট সমস্যা দেখছি।

প্রথমত, এই মডেলটি ধরে নিয়েছে যে আপনার ডেটাগুলি স্বতঃস্ফূর্তভাবে প্রদত্ত (যেটি প্রতিটি বিষয়ের জন্য একটি ডামি কোড হিসাবে গণ্য করার পরে, স্বতন্ত্র ইন্টারসেপ্ট পদের মত এবং লিনিয়ার সময় প্রবণতা যা সবার জন্য সমান) স্বতন্ত্র থাকে given এটি সত্য হওয়ার সম্ভাবনা খুব কমই। পরিবর্তে, প্রায় অবশ্যই স্ব-সংশোধন হবে, উদাহরণস্বরূপ, একই ব্যক্তির কাছাকাছি সময়ে দুটি পর্যবেক্ষণ সময়ের সাথে পৃথক পৃথক পৃথক দুটি পর্যবেক্ষণের চেয়েও বেশি মিলিত হবে , এমনকি সময়ের জন্য দায়বদ্ধ থাকার পরেও । (যদিও আপনি যদি কোনও subject ID x timeইন্টারঅ্যাকশন অন্তর্ভুক্ত করেন তবে তারা ভাল হতে পারে - যেমন, প্রত্যেকের জন্য একটি অনন্য সময় প্রবণতা - তবে এটি পরবর্তী সমস্যাটিকে আরও বাড়িয়ে তুলবে))

দ্বিতীয়ত, আপনি প্রতিটি অংশগ্রহণকারীর জন্য একটি পরামিতি অনুমান করে প্রচুর পরিমাণে স্বাধীনতার ডিগ্রি পোড়াতে যাচ্ছেন। আপনার আগ্রহের তুলনামূলকভাবে কয়েক ডিগ্রি বাকী থাকতে পারে যার সাথে আপনার আগ্রহের প্যারামিটারগুলি সঠিকভাবে অনুমান করার চেষ্টা করা উচিত (অবশ্যই এটি আপনার প্রতি ব্যক্তি কত পরিমাপের উপর নির্ভর করে)।

হাস্যকরভাবে, প্রথম সমস্যার অর্থ হল আপনার আত্মবিশ্বাসের ব্যবধানগুলি খুব সংকীর্ণ, দ্বিতীয়টির অর্থ আপনার সিআইগুলি তার চেয়ে অনেক বেশি বিস্তৃত হবে যদি আপনি আপনার স্বাধীনতার বেশিরভাগ ডিগ্রি নষ্ট না করে থাকেন। তবে, আমি একে অপরের একে অপরের বাইরে ভারসাম্য বজায় রাখা বিবেচনা করব না। এটির জন্য মূল্যবান, আমি বিশ্বাস করি যে আপনার পরামিতি অনুমানটি পক্ষপাতহীন হবে (যদিও আমি এখানে ভুল হতে পারি)।

জেনারালাইজড অনুমানের সমীকরণগুলি ব্যবহার করা এই ক্ষেত্রে উপযুক্ত। আপনি যখন জিইই ব্যবহার করে কোনও মডেল ফিট করেন, আপনি একটি সম্পর্কিত সম্পর্কযুক্ত কাঠামো নির্দিষ্ট করেন (যেমন এআর (1)), এবং এটি যথেষ্ট যুক্তিসঙ্গত হতে পারে যে আপনার ডেটাগুলি আপনার কোভারি এবং আপনার উল্লেখ করা পারস্পরিক সম্পর্কের ক্ষেত্রে স্বতন্ত্র শর্তযুক্ত । এছাড়াও, জিইই অনুমান করে জনসংখ্যা মানে সংঘবদ্ধতা, সুতরাং আপনার প্রতিটি অংশগ্রহণকারীর জন্য এক ডিগ্রি স্বাধীনতা পোড়াতে হবে না - সংক্ষেপে আপনি তাদের উপর গড় বোধ করছেন।

ব্যাখ্যার বিষয়ে যতদূর আমি অবগত, উভয় ক্ষেত্রেই এটি একই রকম হবে: অন্য কারণগুলি স্থির থাকলেও এক্স 3-এ এক-ইউনিট পরিবর্তন 'সাফল্যের' লগের প্রতিক্রিয়াগুলিতে বি 3 পরিবর্তনের সাথে যুক্ত ।