我是统计学的新手,不胜感激可以帮助您更好地理解这一点。
在我的领域中,有以下形式的常用模型:
当人们将模型拟合到数据时,他们通常将模型线性化并符合以下条件
这个可以吗?我在某处读到,由于信号中的噪声,实际模型应该是
并且不能像上面那样线性化。这是真的?如果是这样,是否有人知道我可以阅读和参考的参考文献,并且可能在报告中引用?
我是统计学的新手,不胜感激可以帮助您更好地理解这一点。
在我的领域中,有以下形式的常用模型:
当人们将模型拟合到数据时,他们通常将模型线性化并符合以下条件
这个可以吗?我在某处读到,由于信号中的噪声,实际模型应该是
并且不能像上面那样线性化。这是真的?如果是这样,是否有人知道我可以阅读和参考的参考文献,并且可能在报告中引用?
Answers:
哪种模型合适,取决于均值周围的变化如何进入观察值。它很可能以乘法或加法...或其他方式出现。
甚至可能有这种变化的几种来源,有些可能成倍增加,有些又相加产生,有些则无法真正描述为两种。
有时会有明确的理论来确定哪个合适。有时,对均值的主要变异来源进行思考会发现一个适当的选择。人们通常不知道该使用哪种方法,或者是否可能需要各种不同种类的变化来充分描述该过程。
对于对数线性模型,其中使用了线性回归:
OLS回归模型假定对数刻度方差恒定,如果是这种情况,那么原始数据将显示出随着均值的增加而围绕均值的增长。
另一方面,这种模型:
通常用非线性最小二乘法拟合,并且再次拟合,如果拟合了恒定方差(NLS的默认值),则均值周围的展宽应该是恒定的。
[您可能会看到一个印象,即最后一张图像中的传播随着平均数的增加而减小;这实际上是由斜率增加引起的错觉-我们倾向于判断与曲线正交而不是垂直的散布,因此会产生失真的印象。]
如果您在原始或对数标度上几乎具有恒定的价差,则可能暗示两个模型中的哪个适合,不是因为它证明它是可加或可乘的,而是因为它导致对价差以及意思。
当然,也可能存在具有非恒定方差的加性误差。
但是,还有其他模型可以拟合这样的函数关系,这些函数关系在均值和方差之间具有不同的关系(例如Poisson或准Poisson GLM,其分布与均值的平方根成比例)。