জিএলএম ওভারডিস্পেরেশনটি তাৎপর্যপূর্ণ কিনা তা নির্ধারণের জন্য কোনও পরীক্ষা আছে?

44

আমি আরয়ে পোইসন জিএলএম তৈরি করছি। অতিমাত্রায় নজরদারি পরীক্ষা করার জন্য আমি প্রদত্ত স্বাধীনতার ডিগ্রিগুলির মধ্যে অবশিষ্ট অবলম্বনের অনুপাতটি দেখছি summary(model.name)।

এই অনুপাতটিকে "তাৎপর্যপূর্ণ" হিসাবে বিবেচনা করার জন্য কি কোনও কাট অফ মান বা পরীক্ষা আছে? আমি জানি যে এটি যদি> 1 হয় তবে তথ্যটি অতিরঞ্জিত হয় তবে আমার অনুপাত তুলনামূলকভাবে 1-এর কাছাকাছি থাকলে [উদাহরণস্বরূপ, 1.7 এর একটি অনুপাত (অবশিষ্ট অনুগ্রহ = 25.48, ডিএফ = 15) এবং অন্যটি 1.3 (আরডি = 324, ডিএফ) = 253)], আমি কি এখনও কি কোসিপোইসন / নেতিবাচক দ্বিপদীতে স্যুইচ করব? আমি এখানে এই পরীক্ষাকে তাত্পর্যপূর্ণভাবে খুঁজে পেয়েছি : ১-পিস্কিউ (অবশিষ্ট অবলম্বন, ডিএফ), তবে আমি কেবল একবার এটি দেখেছি, যা আমাকে নার্ভাস করে তোলে। আমি এটিও পড়েছি (আমি উত্সটি পাই না) যে অনুপাতটি সাধারণত 1.5% নিরাপদ। মতামত?

statistical-significance overdispersion

— kto
সূত্র

45

আর প্যাকেজ এআইআর-এ আপনি এই ফাংশনটি পাবেন dispersiontestযা ক্যামেরন ও ত্রিবেদী (১৯৯০) দ্বারা ওভারডিস্পেরিয়ানের জন্য একটি পরীক্ষা কার্যকর করে।

এটি একটি সাধারণ ধারণা অনুসরণ করে: একটি পইসন মডেলে, গড়টি এবং বৈচিত্রটি হিসাবেও রয়েছে। তারা সমান. পরীক্ষার মাধ্যমে এই অনুমানটিকে কেবল বিকল্পের বিরুদ্ধে নাল অনুমান হিসাবে পরীক্ষা করা হয় যেখানে যেখানে ধ্রুবক অর্থ আন্ডার বিভাজন এবং অর্থ ওভারডিস্পেরেশন। ফাংশন ; লোকের ফলে পরীক্ষা পরীক্ষা সমতূল্য কিছু monoton ফাংশন (সাবেক ডিফল্ট প্রায়ই রৈখিক বা দ্বিঘাত) বনাম a ও পরীক্ষা ব্যবহৃত পরিসংখ্যাত হয় পরিসংখ্যান যা শূন্যের নীচে asyptotically স্ট্যান্ডার্ড স্বাভাবিক। $E(Y)=\mu$ $Var(Y)=\mu$ $Var(Y)=\mu + c * f(\mu)$ $c < 0$ $c > 0$ $f(.)$ $H_0: c=0$ $H_1: c \neq 0$ $t$

উদাহরণ:

R> library(AER)
R> data(RecreationDemand)
R> rd <- glm(trips ~ ., data = RecreationDemand, family = poisson)
R> dispersiontest(rd,trafo=1)

Overdispersion test

data:  rd
z = 2.4116, p-value = 0.007941
alternative hypothesis: true dispersion is greater than 0
sample estimates:
dispersion 
    5.5658

এখানে আমরা স্পষ্টভাবে দেখতে পাচ্ছি যে ওভারডিস্পেরিয়নের প্রমাণ রয়েছে (সি হিসাবে অনুমান করা হয় 5.57) যা ন্যায়বিচার (যেমন সি = 0) অনুমানের বিরুদ্ধে যথেষ্ট দৃ .়তার সাথে কথা বলে।

মনে রাখবেন যদি আপনি ব্যবহার করবেন trafo=1, এটি একটি প্রকৃত একটি পরীক্ষা কি করতে হবে বনাম সঙ্গে অন্যান্য পরীক্ষা হিসেবে অবশ্যই একই ফলাফল এর যা পরীক্ষার পরিসংখ্যান বাদে একজনের দ্বারা স্থানান্তরিত হচ্ছে। যদিও এর কারণটি হ'ল পরেরটিটি অর্ধ-পোইসন মডেলের সাধারণ প্যারামিট্রাইজেশনের সাথে মিলে যায়। $H_0: c^*=1$ $H_1: c^* \neq 1$ $c^*=c+1$

— মম
সূত্র

1

আমাকে ব্যবহার করতে হয়েছিল glm(trips ~ 1, data = data, family = poisson)(অর্থাত্ আমার ডেটার 1চেয়ে বরং .), তবে দুর্দান্ত, আপনাকে ধন্যবাদ

— ফিল

12

একটি বিকল্প হয় odTestথেকে psclগ্রন্থাগার যা পইসন রিগ্রেশন এর সীমাবদ্ধতা করার জন্য একটি ঋণাত্মক বাইনমিয়াল রিগ্রেশন এর লগ-সম্ভাবনা অনুপাত তুলনা । নিম্নলিখিত ফলাফল প্রাপ্ত: $\mu =\mathrm{Var}$

>library(pscl)

>odTest(NegBinModel) 

Likelihood ratio test of H0: Poisson, as restricted NB model:
n.b., the distribution of the test-statistic under H0 is non-standard
e.g., see help(odTest) for details/references

Critical value of test statistic at the alpha= 0.05 level: 2.7055 
Chi-Square Test Statistic =  52863.4998 p-value = < 2.2e-16

এখানে পোয়েসন বিধিনিষেধটি বাতিল করে দেওয়া হয়েছে আমার নেতিবাচক দ্বিপদী রিগ্রেশনের পক্ষে NegBinModel। কেন? কারণ পরীক্ষার পরিসংখ্যান a এর সাথে 52863.4998অতিক্রম 2.7055করে p-value of < 2.2e-16।

এর সুবিধাটি AER dispersiontestশ্রেণিবিহীন 'ওডটেষ্ট'-এর চেয়ে "হাইস্ট" শ্রেণীর ফিরে আসা অবজেক্টটি ফর্ম্যাট করা সহজ (যেমন ল্যাটেক্সে রূপান্তর করা) `

— লুক সিংহাম
সূত্র

5

আর একটি বিকল্প প্যাকেজ P__dispথেকে ফাংশন ব্যবহার করা হয় msme। P__dispফাংশন পিয়ারসন নিরূপণ ব্যবহার করা যেতে পারে এবং পিয়ারসন বিচ্ছুরণ পরিসংখ্যান মডেল ঝুলানো পর বা । $\chi^2$ glmglm.nb

— Mischief_Monkey
সূত্র

2

তবুও আরেকটি বিকল্প হ'ল সম্ভাবনা-অনুপাতের পরীক্ষাটি ব্যবহার করে দেখাতে হবে যে অতিরিক্ত পরিমাণে একটি কোসিপোইসন জিএলএম অতিরিক্ত মাত্রায় ছাড়াই একটি নিয়মিত পোইসন জিএলএমের তুলনায় উল্লেখযোগ্যভাবে ভাল:

fit = glm(count ~ treatment,family="poisson",data=data) 
fit.overdisp = glm(count ~ treatment,family="quasipoisson",data=data) 
summary(fit.overdisp)$dispersion # dispersion coefficient
pchisq(summary(fit.overdisp)$dispersion * fit$df.residual, fit$df.residual, lower = F) # significance for overdispersion

— টম ভেনসিলিয়ার্স
সূত্র