포아송 회귀 가정 및 R에서 검정을 테스트하는 방법

데이터에 가장 적합한 회귀 분석을 테스트하고 싶습니다. 내 종속 변수는 개수이며 많은 0이 있습니다.

그리고 사용할 모델 및 패밀리 (poisson 또는 quasipoisson 또는 0으로 부풀린 poisson 회귀)를 결정하고 가정을 테스트하는 방법을 결정하는 데 도움이 필요합니다.

1. 포아송 회귀 : 내가 이해하는 한, 종속 변수 평균 = 분산이라는 강한 가정이 있습니다. 이것을 어떻게 테스트합니까? 그들은 얼마나 가까이 있어야합니까? 무조건 또는 조건부 평균 및 분산이 여기에 사용됩니까? 이 가정이 유지되지 않으면 어떻게해야합니까?
2. 분산이 평균보다 큰 경우 과대 산포가 발생하고이를 처리하는 잠재적 인 방법은 더 독립적 인 변수 또는 family = quasipoisson을 포함한다는 것을 읽었습니다. 이 배포판에 다른 요구 사항이나 가정이 있습니까? (1) 또는 (2)가 더 잘 맞는지 확인하기 위해 어떤 테스트를 사용 anova(m1,m2)합니까?
3. 또한 과분 산이 나타날 때 음 이항 분포를 사용할 수 있음을 읽었습니다. R에서 어떻게해야합니까? quasipoisson과의 차이점은 무엇입니까?

4. 제로 팽창 된 포아송 회귀 분석 : vuong 테스트를 사용하면 어떤 모델이 더 적합한 지 확인합니다.

   > vuong (model.poisson, model.zero.poisson)

   그 맞습니까? 무 팽창 회귀에는 어떤 가정이 있습니까?

5. UCLA의 Academic Technology Services, Statistical Consulting Group 에는 제로 팽창 된 포아송 회귀에 대한 섹션이 있으며 제로 팽창 된 모델 (a)을 표준 포아송 모델 (b)과 비교하여 테스트합니다.

   > m.a <- zeroinfl(count ~ child + camper | persons, data = zinb)
> m.b <- glm(count ~ child + camper, family = poisson, data = zinb)
> vuong(m.a, m.b)

| persons첫 번째 모델 의 일부가 무엇인지, 왜 이러한 모델을 비교할 수 없는지 이해하지 못합니다 . 나는 회귀가 동일하고 다른 가족을 사용하기를 기대했습니다.

$\frac{\bar{X}}{S^2}$$\mathrm{F}(1,n-1)$$n$

이 테스트는 공변량을 무시하므로 해당 상황에서과 분산을 확인하는 가장 좋은 방법은 아닙니다.

또한이 테스트는 0으로 팽창 된 가설에 비해 약할 수 있습니다.

3) 음극의 R의 이항 : 사용 glm.nb로부터 MASS패키지 또는 사용 zeroinfl으로부터 함수 pscl음 이항 링크를 사용하여 패키지.

4) 지퍼 (제로 팽창 된 포아송)는 혼합 모델입니다. 대상이 그룹 A (0이 확실한 경우) 또는 그룹 B (개수가 포아송 또는 음 이항 분포)에 속하는 이진 결과가 있습니다. 관찰 된 0은 그룹 A의 대상 + 방금 운이 좋은 그룹 B의 대상으로 인한 것입니다. 모형의 두 측면은 공변량에 따라 다를 수 있습니다. 그룹 구성원은 로지스틱처럼 모델링되고 (로그 확률은 공변량에서 선형 임) 푸 ​​아송 부분은 일반적인 방식으로 모델링됩니다. 로그 평균은 공변량에서 선형입니다. 따라서 물류 (특정 0 부분)에 대한 일반적인 가정과 포아송에 대한 일반적인 가정이 필요합니다. 다시 말해, zip 모델은과 분산 문제를 해결하지 못합니다. 단지 0의 큰 곰팡이 만 치료합니다.

5) 데이터 세트가 무엇인지 모르고 참조를 찾을 수 없습니다. zeroinfl은 포아송 부분과 이진 (확실한 0 또는 그렇지 않은) 부분 모두에 대한 모델이 필요합니다. 특정 0 부분이 두 번째가됩니다. 그래서 ma는 사람이 특정 0인지 아닌지는 "사람"에 달려 있다고 말하고 있습니다. 주제가 특정 0이 아니라고 가정하면 수는 야영 자와 어린이의 기능입니다. 다시 말해 log (mean)은 0 카운트를 필요로하지 않는 대상에 대한 야영 자와 아동의 선형 함수입니다.

mb는 캠퍼와 자식의 관점에서 일반적인 선형 모델입니다. 둘 다 고정 된 효과라고 가정합니다. 링크 기능은 포아송입니다.

1. 도서관 (과거)

stat.desc (dep_var)-평균과 분산이 같은지 살펴보십시오. 여기에서 벡터의 0 %를 계산할 수도 있습니다.