Suponiendo que , este modelo tiene la variable de respuesta de Bernoulli Y i conA≤1Yi
Pr(Yi=1)=A1+e−X′ib,
donde (y posiblemente A , dependiendo de si se trata como una constante o un parámetro) son los coeficientes ajustados y X i son los datos para la observación i . Supongo que el término de intercepción se maneja agregando una variable con valor constante 1 a la matriz de datos.bAXii
Las condiciones del momento son:
E[(Yi−A1+e−X′ib)Xi]=0.
Reemplazamos esto con la contraparte de muestra de la condición, suponiendo observaciones:N
m=1N∑i=1N[(Yi−A1+e−X′ib)Xi]=0
Esto se resuelve prácticamente minimizando en todos los posibles valores de coeficientes b (a continuación usaremos el simplex de Nelder-Mead para realizar esta optimización).metro′metrosi
UN
dat <- as.matrix(cbind(data.frame(IsVersicolor = as.numeric(iris$Species == "versicolor"), Intercept=1), iris[,1:4]))
head(dat)
# IsVersicolor Intercept Sepal.Length Sepal.Width Petal.Length Petal.Width
# [1,] 0 1 5.1 3.5 1.4 0.2
# [2,] 0 1 4.9 3.0 1.4 0.2
# [3,] 0 1 4.7 3.2 1.3 0.2
# [4,] 0 1 4.6 3.1 1.5 0.2
# [5,] 0 1 5.0 3.6 1.4 0.2
# [6,] 0 1 5.4 3.9 1.7 0.4
Estos son los coeficientes ajustados mediante regresión logística:
summary(glm(IsVersicolor~., data=as.data.frame(dat[,-2]), family="binomial"))
# Coefficients:
# Estimate Std. Error z value Pr(>|z|)
# (Intercept) 7.3785 2.4993 2.952 0.003155 **
# Sepal.Length -0.2454 0.6496 -0.378 0.705634
# Sepal.Width -2.7966 0.7835 -3.569 0.000358 ***
# Petal.Length 1.3136 0.6838 1.921 0.054713 .
# Petal.Width -2.7783 1.1731 -2.368 0.017868 *
( Yyo- A1 + e- X′yosi) Xyo para cada observación yo:
moments <- function(b, X) {
A <- 1
as.vector(X[,1] - A / (1 + exp(-(X[,-1] %*% cbind(b))))) * X[,-1]
}
Ahora podemos ajustar coeficientes numéricamente si, utilizando los coeficientes de regresión lineal como un punto inicial conveniente (como se sugiere en el tutorial vinculado anteriormente):
init.coef <- lm(IsVersicolor~., data=as.data.frame(dat[,-2]))$coefficients
library(gmm)
fitted <- gmm(moments, x = dat, t0 = init.coef, type = "iterative", crit = 1e-19,
wmatrix = "optimal", method = "Nelder-Mead",
control = list(reltol = 1e-19, maxit = 20000))
fitted
# (Intercept) Sepal.Length Sepal.Width Petal.Length Petal.Width
# 7.37849 -0.24536 -2.79657 1.31364 -2.77834
#
# Convergence code = 0
El código de convergencia de 0 indica que el procedimiento convergió, y los parámetros son idénticos a los devueltos por regresión logística.
Un vistazo rápido a la fuente del paquete gmm (funciones momentEstim.baseGmm.iterative
y gmm:::.obj1
los parámetros proporcionados) muestra que el paquete gmm está minimizandometro′metrocomo se indicó anteriormente. El siguiente código equivalente llama a la optim
función R directamente, realizando la misma optimización que logramos anteriormente con la llamada a gmm
:
gmm.objective <- function(theta, x, momentFun) {
avg.moment <- colMeans(momentFun(theta, x))
sum(avg.moment^2)
}
optim(init.coef, gmm.objective, x=dat, momentFun=moments,
control = list(reltol = 1e-19, maxit = 20000))$par
# (Intercept) Sepal.Length Sepal.Width Petal.Length Petal.Width
# 7.3784866 -0.2453567 -2.7965681 1.3136433 -2.7783439