답변:
일반적인 감마 GLM에는 일반 선형 모델이 일정한 분산을 가정하는 것과 같은 방식으로 모양 매개 변수가 일정하다는 가정이 포함됩니다.
GLM 분산액을 매개 용어, 에 일반적으로 상수이다.
더 일반적으로 가 있지만 도움이되지 않습니다.
가중 감마 GLM을 사용하여 지정된 모양 매개 변수 의이 효과를 통합하는 것이 가능할 수도 있지만 아직이 가능성을 조사하지는 않았습니다 (작동하는 경우 가장 쉬운 방법 일 수는 있지만 전혀하지는 않습니다) 그럴 것입니다).
이중 GLM이있는 경우 공변량의 함수로 해당 매개 변수를 추정 할 수 있습니다 . 이중 glm 소프트웨어를 사용하여 분산 항에 오프셋을 지정하면이를 수행 할 수 있습니다. dglm
패키지 의 기능 dglm
을 사용하여 오프셋을 지정할 수 있습니다. 그래도 같은 분산 모델을 지정할 수 있는지 모르겠습니다 ~ offset(<something>) + 0
.
또 다른 대안은 가능성을 직접 극대화하는 것입니다.
> y <- rgamma(100,10,.1)
> summary(glm(y~1,family=Gamma))
Call:
glm(formula = y ~ 1, family = Gamma)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.93768 -0.25371 -0.05188 0.16078 0.81347
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.0103660 0.0003486 29.74 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for Gamma family taken to be 0.1130783)
Null deviance: 11.223 on 99 degrees of freedom
Residual deviance: 11.223 on 99 degrees of freedom
AIC: 973.56
Number of Fisher Scoring iterations: 5
그것이 말하는 줄 :
(Dispersion parameter for Gamma family taken to be 0.1130783)
당신이 원하는 것입니다.
그 는 감마의 모양 매개 변수와 관련이 있습니다.
MASS
glm(V4 ~ V3 + V2 + V1, family=Gamma)
곳, 예측이 공동 variates하고 있습니다 응답, 그것은 잘못 결정 계수 벡터 스케일과 5의 일정한 모양을 결정하기 위해 알려진 계수로 샘플 데이터를 생성했기 때문에 부적절하게 결정한다는 것을 알고 있습니다.
Balajari (2013) 에서 설명한대로 MASS 패키지 의 gamma.shape 함수를 사용하여 나중에 형상 매개 변수를 추정 한 다음 GLM에서 계수 추정 및 예측을 조정했습니다. GLM에서의 감마 분포 사용에 관한 강의 내용은 매우 명확하고 흥미 롭습니다.
glmGamma <- glm(response ~ x1, family = Gamma(link = "identity")
library(MASS)
myshape <- gamma.shape(glmGamma)
gampred <- predict(glmGamma , type = "response", se = T, dispersion = 1/myshape$alpha)
summary(glmGamma, dispersion = 1/myshape$alpha)