«poisson-regression» 태그된 질문

응답 변수의 분산을 제한하는 모델을 사용할 때마다 GLM에서 '과도 분산'현상이 발생하며 데이터는 모델 제한이 허용하는 것보다 큰 분산을 나타냅니다. 이것은 Poisson GLM을 사용하여 카운트 데이터를 모델링 할 때 일반적으로 발생하며 잘 알려진 테스트로 진단 할 수 있습니다. 검정 결과 과대 산포의 통계적으로 유의미한 증거가있는 경우, 분산 모형을 사용하여 원래 모형에서 …

15 generalized-linear-model  poisson-regression  overdispersion  quasi-likelihood 

가정 독립적이며Y=(Y1,…,Yn)′Y=(Y1,…,Yn)′ \textbf{Y} = (Y_1, \dots, Y_n)' Yi=0Yi=kwith probability pi+(1−pi)e−λiwith probability (1−pi)e−λiλki/k!Yi=0with probability pi+(1−pi)e−λiYi=kwith probability (1−pi)e−λiλik/k!\eqalign{ Y_i = 0 & \text{with probability} \ p_i+(1-p_i)e^{-\lambda_i}\\ Y_i = k & \text{with probability} \ (1-p_i)e^{-\lambda_i} \lambda_{i}^{k}/k! } 또한 가정 파라미터 및 P = ( P 1 , ... , P는 N을 ) 충족λ=(λ1,…,λn)′λ=(λ1,…,λn)′\mathbf{\lambda} …

14 poisson-regression  zero-inflation 

닫은. 이 질문은 주제에 맞지 않습니다 . 현재 답변을받지 않습니다. 이 질문을 개선하고 싶습니까? 교차 검증에 대한 주제가 되도록 질문을 업데이트하십시오 . 휴일 오년 전에 . Call: glm(formula = darters ~ river + pH + temp, family = poisson, data = darterData) Deviance Residuals: Min 1Q Median 3Q Max -3.7422 …

14 self-study  generalized-linear-model  interpretation  poisson-regression 

포아송 회귀에 오류 항이 있는지 궁금합니다. 포아송 회귀 분석에서 임의의 효과와 오류 항을 가질 수 있습니까? 나는이 점에 대해 혼란 스럽다. 로지스틱 회귀 분석에서는 결과 변수가 이진이므로 오류 항이 없습니다. 잔차 항이없는 유일한 glm 모델입니까?

14 regression  mixed-model  generalized-linear-model  poisson-regression 

을 사용하여 모델 튜닝을 수행 caret했지만 gbm패키지를 사용하여 모델을 다시 실행했습니다 . caret패키지가 사용 gbm하고 출력이 동일해야한다는 것을 이해합니다 . 그러나 data(iris)RMSE와 R ^ 2를 평가 지표로 사용하면 약 5 %의 모델에서 불일치가 발생합니다. 부분 종속성 플롯을 사용 하기 위해 최적의 모델 성능을 찾고 caret싶지만 다시 실행 하고 싶습니다 gbm. …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

1 개의 반응 변수와 6 개의 공변량으로 포아송 회귀 모델을 수행하고 있습니다. AIC를 사용하여 모형을 선택하면 모든 공변량 및 6 개의 교호 작용 항이있는 모형이 생성됩니다. 그러나 BIC는 공변량이 2 개이고 교호 작용 항이없는 모형이됩니다. 매우 유사한 두 가지 기준이 완전히 다른 모델 선택을 산출 할 수 있습니까?

12 model-selection  aic  poisson-regression  bic 

Poisson 반응 변수의 과대 산포 및 모든 고정 효과 시작 모델을 다루는 세 가지 제안을 살펴 보았습니다. 유사 모델을 사용하십시오. 음 이항 GLM을 사용하십시오. 피사체 수준의 임의 효과가 혼합 된 모델을 사용하십시오. 그러나 실제로 어떤 것을 선택해야하며 왜 그런가? 이 중에서 실제 기준이 있습니까?

12 regression  negative-binomial  poisson-regression  overdispersion  quasi-likelihood 

내 모델에서 와 같이 두 모델 수준 간의 예측 평균 수를 비교하고 차이를 취하는 최종 목표로 포아송 회귀 분석을 수행하고 있습니다. 다른 모형 공변량 (모두 이진) 상수입니다. 누구든지 로그 링크와 신원 링크를 언제 사용해야하는지에 대한 실용적인 조언을 제공 할 수 있는지 궁금합니다. 차이점을 비교하려는 나의 목표를 고려할 때 포아송 회귀 …

12 logistic  poisson-regression  link-function 

보험 환경에서 클레임 수 데이터를 모델링 할 때 Poisson으로 시작했지만 과대 산포가 나타났습니다. Quasi-Poisson은 기본 Poisson보다 더 큰 평균-분산 관계를 더 잘 모델링했지만 계수가 Poisson과 Quasi-Poisson 모델에서 동일하다는 것을 알았습니다. 이것이 오류가 아닌 경우 왜 이런 일이 발생합니까? Poisson보다 Quasi-Poisson을 사용하면 어떤 이점이 있습니까? 참고 사항 : 근본적인 손실은 초과 …

12 r  count-data  poisson-regression  overdispersion  quasi-likelihood 

개체 내 실험을 사용하여 실험 연구의 카운트 데이터를 모델링 할 때 여러 가지 실용적인 질문에 부딪 쳤습니다. 실험, 데이터 및 지금까지 수행 한 작업에 대해 간단히 설명하고 질문을합니다. 응답자의 샘플에 4 개의 다른 영화가 순서대로 표시되었습니다. 각 영화가 끝난 후 인터뷰를 진행하여 RQ에 관심이있는 특정 진술 (예측 카운트 변수)의 발생 …

12 generalized-linear-model  negative-binomial  glmm  poisson-regression  overdispersion 

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. 포아송 회귀 : 내가 이해하는 한, 종속 변수 평균 = 분산이라는 강한 가정이 있습니다. 이것을 …

11 r  count-data  zero-inflation  poisson-regression 

mgcv에 대한 패키지는 R텐서 제품의 상호 작용을 피팅에 대한 두 가지 기능이 있습니다 : te()와 ti(). 나는 둘 사이의 기본 노동 분열을 이해한다 (비선형 상호 작용에 적합하고이 상호 작용을 주요 효과와 상호 작용으로 분해). 내가 이해할 수없는 것은 왜 te(x1, x2)와 ti(x1) + ti(x2) + ti(x1, x2)(약간) 다른 결과가 발생할 …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

통계에 약간의 노력을 기울이고 있지만 뭔가 붙어 있습니다. 내 데이터는 다음과 같습니다. Year Number_of_genes 1990 1 1991 1 1993 3 1995 4 이제 데이터를 기반으로 특정 연도의 유전자 수를 예측할 수있는 회귀 모델을 만들고 싶습니다. 나는 지금까지 선형 회귀로 그것을했지만, 약간의 독서를 했으며이 종류의 데이터에 가장 적합한 선택은 아닌 것 …

10 regression  count-data  poisson-regression 

GLMM 형식이 있습니다. lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) 를 사용할 때 자동차 패키지 또는에서 사용할 때 drop1(model, test="Chi")와 다른 결과를 얻습니다 . 후자의 두 사람도 같은 대답을합니다.Anova(model, type="III")summary(model) 조작 된 데이터를 사용 하여이 두 가지 방법이 일반적으로 다르지 않다는 것을 알았습니다. …

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

설계된 실험에서 시선 추적 데이터를 분석하고 있습니다. 이처럼 내 데이터 외모의 단순화 된 버전 (당신은 dput을 (받을 수) 데이터 여기 ) head(lookDATA) participant fixationImage fixationCount 1 9 Automobile 81 2 9 Bird 63 3 9 Chair 82 4 9 Dog 64 5 9 Face 90 6 9 Plant 75 여기서 …

10 r  mixed-model  poisson-regression  lsmeans  lme4-nlme