동일하지 않은 분산을 사용한 회귀 모델링

22

잔차 분산이 설명 변수에 명확하게 의존하는 선형 모델 (lm)을 피팅하고 싶습니다.

이 작업을 수행하는 방법은 감마 패밀리와 함께 glm을 사용하여 분산을 모델링 한 다음 lm 함수의 가중치에 역수를 넣는 것입니다 (예 : http://nitro.biosci.arizona.edu/r/chapter31 .pdf )

궁금했다 :

이것이 유일한 기술입니까?
어떤 다른 접근법이 관련되어 있습니까?
이 유형의 모델링과 관련된 R 패키지 / 기능은 무엇입니까? (다른 다음 glm, lm)

— 탈 갈릴리
소스

4

이렇게 그들은 어디에서 사용 glm()후 lm()당신이 링크 장에서. 나에게 glm()필요한 것, 거기에 필요한 모든 것이 있지만, 나는 뭔가를 놓쳤을 수도 있습니다. 언급 한 이분산성의 유형을 제어하기 위해 가중치를 추정 할 수 gls()있는 일반화 된 최소 제곱 ( nlme )을 시도 할 수 있습니다 . ?varFunc거기에서 링크를 참조하십시오 . IIRC varFixed()는 당신이 원하는 것을 할 것입니다.

— 복원 모니카

'proc mixed'에서 'subject = option'은 잔차의 분산 공분산 행렬에서 블록 대각선 구조를 생성합니다. 따라서 동성애 가설을 변경하기 위해 일반적인 선형 혼합 모형을 고려 했습니까?

— ocram

감사합니다 Gavin, 나는이 기능들을 조금 살펴 보았습니다. 두 가지 질문 : 1) 튜토리얼을 추천하십니까? (MASS 책이 좋은 출발이라고 생각하지만, 그것에 대해 생각하고 있는지 궁금합니다.) 2) 피팅하는 모델이 단순한 OLS이므로 gls 함수를 사용할 때 추정치는 어떻게 다릅니 까? (정확하게 기억한다면-반복적 인 1도 근사법으로 작업해야하기 때문에 별로는 아니지만, 이것에 대해 전혀 확신하지 못합니다). Ocram-고맙지 만 SAS를 사용하지 않습니다.

— 탈 Galili

다음은 제 2 조에는 quasipoisson 회귀를 위해 STATA에서이 작업을 수행하는 방법을 설명 stata.com/meeting/fnasug08/gutierrez.pdf을 . 누군가 R로 이것을 코딩하는 방법을 제안 할 수 있다면 매우 감사 할 것입니다.

— a11msp

17

"메가폰 효과"에 대한 알약에는 다음이 포함됩니다.

로그 또는 제곱근 변환 사용하십시오 . 이것은 정확하지 않지만 때로는 확대를 길들입니다. $Y$
가중 최소 제곱 회귀 분석을 사용하십시오 . 이 방법에서는 각 관측치마다 고유 한 분산 계수가 제공됩니다. 이 답변 은 R에서 WLSR을 사용하는 방법을 보여줍니다 (예를 들어 잔차의 분산이 평균에 비례하는 경우 비가 중 모델에서 적합치의 역수를 가중치로 제공 할 수 있음).
강력한 회귀를 사용하십시오. funciton rlm()에서 MASSR의 패키지는 차이의 불평등에 대한 강력한 있어야하는데 M-추정을 수행합니다.

2017 년 7 월 편집 : Greg Snow의 답변에서 제안한 것처럼 일반화 된 최소 제곱이 가장 좋은 옵션 중 하나 인 것 같습니다.

— gui11aume
소스

2

스택 오버플로 질문에 대한이 답변을 작성했습니다 .

— 피터 엘리스

1

가치가 varFixed ()에 가중치 옵션 세트 GLS를 사용하여뿐만 아니라, 일반화 최소 제곱 옵션을 지적 할 수 - 나에게이 ... 더 고급 옵션 중 하나처럼 보일 것

— 톰 Wenseleers

@TomWenseleers 동의합니다. 이것이 Greg Snow의 답변입니다.

— gui11aume

9

gamlss 패키지를 사용하면 반응의 오차 분포를 설명 변수의 선형, 비선형 또는 부드러운 함수로 모델링 할 수 있습니다. 이것은 매우 강력한 접근 방식 인 것 같습니다 ( 모델 선택 과정에서 발생할 수있는 모든 가능성에 대해 많이 배웠습니다 ). 위의 링크에서 참조되는 여러 서적 (책 포함)에 모든 것이 잘 설명되어 있습니다.

— ils
소스

8

R gls에 대한 nlme패키지 의 함수 는 회귀 및 분산과의 관계를 동시에 추정 할 수 있습니다. weights도움말 페이지 에서 인수와 두 번째 예를 참조하십시오.

— 그렉 스노우
소스