일반화 선형 혼합 모델 : 진단

임의의 가로 채기 로지스틱 회귀 분석 (반복 된 측정으로 인해)이 있으며 특이 치 및 영향력있는 관측에 관한 진단을하고 싶습니다.

눈에 띄는 관측치가 있는지 알아보기 위해 잔차를 살펴 보았습니다. 그러나 나는 또한 Cook의 거리 또는 DFFITS와 같은 것을보고 싶습니다. Hosmer와 Lemeshow (2000)는 상관 된 데이터에 대한 모델 진단 도구가 없기 때문에 상관 관계를 무시하고 규칙적인 로지스틱 회귀 분석에 사용할 수있는 진단 도구를 사용하는 규칙적인 로지스틱 회귀 모델에 적합해야한다고 말합니다. 그들은 이것이 진단을 전혀하지 않는 것보다 낫다고 주장합니다.

이 책은 2000 년부터 시작되었으며 혼합 로지스틱 회귀 분석을 통해 모델 진단에 사용할 수있는 방법이 있는지 궁금합니다. 특이 치를 확인하는 좋은 방법은 무엇입니까?

편집 (2013 년 11 월 5 일) :

응답이 없기 때문에 혼합 모델로 진단을 수행하는 것이 일반적으로 수행되지 않거나 데이터를 모델링 할 때 중요한 단계가 아닌지 궁금합니다. 따라서 "좋은"회귀 모델을 찾았 으면 어떻게해야합니까?

진단 방법은 일반화 된 선형 혼합 모델에서 실제로 다릅니다. GLMM의 잔차를 기반으로 한 합리적인 것은 Pan and Lin (2005, DOI : 10.1111 / j.1541-0420.2005.00365.x) 때문입니다.). 그들은 설명 변수 또는 선형 예측 변수에 의해 순서가 부과되는 누적 잔차 합계를 사용하여 주어진 예측 변수의 기능 형식 또는 링크 함수 전체를 테스트합니다. null 분포는 정확한 사양의 null 분포에서 디자인 공간의 시뮬레이션을 기반으로하며이 테스트의 적절한 크기와 전력 특성을 보여줍니다. 그들은 특이점에 대해 구체적으로 논의하지는 않았지만, 이상 점은 영향력있는 관측을 향해 너무 많은 곡선을 만들어서 적어도 링크 기능을 포기해야한다고 상상할 수 있습니다.

혼합 모델의 진단을 보는 가장 좋은 방법이 무엇인지에 대한 의견이 많이 있습니다. 일반적으로 반복되지 않는 측정 모델에 대해 조사 할 잔차와 표준 측면을 모두 살펴볼 수 있습니다.

그 외에도 일반적으로 임의 효과 자체를보고 싶을 것입니다. 방법은 종종 다양한 공변량으로 랜덤 효과를 플로팅하고 랜덤 효과 분포에서 비정규 성을 찾는 과정을 포함합니다. 더 많은 방법이 있지만 (일부는 이전 의견에서 언급 했음), 이것은 일반적으로 좋은 시작입니다.