Preguntas etiquetadas con quasi-likelihood

Espero que alguien pueda proporcionar una visión general intuitiva de qué es la distribución cuasibinomial y qué hace. Estoy particularmente interesado en estos puntos: Cómo el cuasibinomio difiere de la distribución binomial. Cuando la variable de respuesta es una proporción (los valores de ejemplo incluyen 0.23, 0.11, 0.78, 0.98), un …

30 r  generalized-linear-model  binomial  overdispersion  quasi-likelihood 

Estoy tratando de ajustar modelos lineales generalizados a algunos conjuntos de datos de conteo que pueden o no estar dispersos. Las dos distribuciones canónicas que se aplican aquí son Poisson y Binomial Negativo (Negbin), con EV y varianza.μμ\mu Vun rPAGS= μVarP=μVar_P = \mu Vun rnortesi= μ + μ2θVarNB=μ+μ2θVar_{NB} = \mu …

21 r  generalized-linear-model  negative-binomial  poisson-regression  quasi-likelihood 

Pregunta (s): ¿Cuál es la idea y la intuición detrás de la estimación cuasi máxima verosimilitud (QMLE; también conocida como pseudo estimación de máxima verosimilitud, PMLE)? ¿Qué hace que el estimador funcione cuando la distribución de error real no coincide con la distribución de error supuesta? El sitio de Wikipedia …

17 maximum-likelihood  references  intuition  quasi-likelihood 

Tengo datos de recuento (análisis de demanda / oferta con recuento de clientes, dependiendo de, posiblemente, muchos factores). Intenté una regresión lineal con errores normales, pero mi diagrama QQ no es realmente bueno. Intenté una transformación logarítmica de la respuesta: una vez más, mal QQ-plot. Así que ahora estoy intentando …

16 count-data  poisson-regression  overdispersion  quasi-likelihood 

El fenómeno de 'sobredispersión' en un GLM surge cada vez que usamos un modelo que restringe la varianza de la variable de respuesta, y los datos exhiben una mayor varianza de la que permite la restricción del modelo. Esto ocurre comúnmente cuando se modelan datos de conteo utilizando un Poisson …

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

Hasta donde sé, la diferencia entre el modelo logístico y el modelo de respuesta fraccional (frm) es que la variable dependiente (Y) en la que frm es [0,1], pero la logística es {0, 1}. Además, frm usa el estimador de cuasi-verosimilitud para determinar sus parámetros. Normalmente, podemos utilizar glmpara obtener …

13 r  logistic  generalized-linear-model  quasi-likelihood 

Me he encontrado con tres propuestas para tratar la sobredispersión en una variable de respuesta de Poisson y un modelo de inicio de efectos fijos: Use un cuasi modelo; Use GLM binomial negativo; Use un modelo mixto con un efecto aleatorio a nivel de sujeto. ¿Pero cuál elegir realmente y …

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

Al modelar datos de recuento de reclamos en un entorno de seguro, comencé con Poisson pero luego noté una sobredispersión. Un Cuasi-Poisson mejor modeló la mayor relación media-varianza que el Poisson básico, pero noté que los coeficientes eran idénticos en los modelos Poisson y Cuasi-Poisson. Si esto no es un …

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

He ejecutado modelos binomiales negativos y cuasi-Poisson basados ​​en un enfoque de prueba de hipótesis. Mis modelos finales que usan ambos métodos tienen diferentes covariables e interacciones. Parece que no hay patrones cuando trazo mis residuos en ambos casos. Por lo tanto, me preguntaba qué prueba podría usar para ver …

10 generalized-linear-model  negative-binomial  poisson-regression  model-comparison  quasi-likelihood 

Estoy enseñando una clase sobre integración de funciones de varias variables y cálculo de vectores este semestre. La clase está compuesta por la mayoría de los estudiantes de economía y de ingeniería, con un puñado de matemática y física. Enseñé esta clase el semestre pasado, y descubrí que muchos de …

10 generalized-linear-model  teaching  integral  geometry  quasi-likelihood 

Primero déjame darte algunos antecedentes; Resumiré mis preguntas al final. La distribución Beta, parametrizada por su media yμμ\muϕϕ\phi, tiene Var( Y) = V( μ ) / ( ϕ + 1 )Var⁡(Y)=V⁡(μ)/ /(ϕ+1)\operatorname{Var}(Y) = \operatorname{V}(\mu)/(\phi+1), donde es la función de variación.V( μ ) = μ ( 1 - μ )V⁡(μ)=μ(1-μ)\operatorname{V}(\mu) = …

8 generalized-linear-model  lme4-nlme  binomial  beta-regression  quasi-likelihood