Questions tagged «assumptions»

我对重复测量方差分析中的正态性假设感到困惑。具体来说，我想知道究竟应该满足哪种常态。在阅读有关简历的文献和答案时，我遇到了这种假设的三种不同的措词。 每个（重复）条件中的因变量应正常分布。 人们常说rANOVA与ANOVA具有相同的假设，另外还有球形度。这就是Field的发现统计资料以及Wikipedia 关于该主题和Lowry的文章的主张。 残差（所有可能的对之间的差异？）应正态分布。 我发现在多个答案此声明CV（1，2）。通过将rANOVA 与配对t检验进行类比，这似乎也很直观。 应该满足多元正态性。 维基百科和此资源提到了这一点。另外，我知道，朗诺可以换用MANOVA，这可能值得这个要求。 这些等效吗？我知道多元正态性意味着DV的任何线性组合都是正态分布的，因此3.如果我正确理解后者，自然会包括2.。 如果这些都不相同，那么rANOVA的“真实”假设是什么？你能提供参考吗？ 在我看来，对第一个主张的支持最大。但是，这与此处通常提供的答案不一致。 线性混合模型 由于@utobi的提示，我现在了解如何将rANOVA重新描述为线性混合模型。具体来说，为了建模血压随时间的变化，我将期望值建模为： 其中y i j是血压的测量值，a i是平均血压第i个对象的压力，而t i j为第i个对象被测量的第j次，b iE[yij]=ai+bitij,E[yij]=ai+bitij, \mathrm{E}\left[y_{ij}\right]=a_{i}+b_i t_{ij}, yijyijy_{ij}aiaia_{i}iiitijtijt_{ij}jjjiiibibib_i表示该变化的血压是跨学科的不同了。两种效果都被认为是随机的，因为受试者的样本只是人群的随机子集，这是最主要的兴趣所在。 最后，我尝试考虑这对正常性意味着什么，但收效甚微。释义McCulloch和Searle（2001，p。35. Eq。（2.14））： E[yij|ai]yij|aiai=ai∼indep. N(ai,σ2)∼i.i.d. N(a,σ2a)E[yij|ai]=aiyij|ai∼indep. N(ai,σ2)ai∼i.i.d. N(a,σa2)\begin{align} \mathrm{E}\left[y_{ij}|a_i\right] &= a_i \\[5pt] y_{ij}|a_i &\sim \mathrm{indep.}\ \mathcal{N}(a_i,\sigma^2) \\[5pt] a_i &\sim \mathrm{i.i.d.}\ \mathcal{N}(a,\sigma_a^2) \end{align} 我明白这意味着 4.每个人的数据都需要正态分布，但这在很少的时间点进行测试是不合理的。 我用第三种表达的意思是 5.各个主题的平均值呈正态分布。请注意，这是上述三种基础之上的另外两种不同的可能性。 McCulloch，CE和Searle，SR（2001）。广义模型，线性模型和混合模型。纽约：John …

15 anova  repeated-measures  assumptions  normality-assumption 

在线性回归中，我们做出以下假设 每个预测变量值的响应平均值 E(Yi)E(Yi)E(Y_i)是预测变量的线性函数。(x1i,x2i,…)(x1i,x2i,…)(x_{1i}, x_{2i},…) 误差εiεiε_i是独立的。 在预测变量的每个值集（x_ {1i}，x_ {2i}，…）处的误差ε_i正态分布。εiεiε_i(x1i,x2i,…)(x1i,x2i,…)(x_{1i}, x_{2i},…) 每个预测变量值 （x_ {1i}，x_ {2i}，...）的误差ε_i具有相等的方差（表示为σ2）。εiεiε_i(x1i,x2i,…)(x1i,x2i,…)(x_{1i}, x_{2i},…)σ2σ2σ2 解决线性回归的方法之一是通过正态方程，我们可以写成 θ=(XTX)−1XTYθ=(XTX)−1XTY\theta = (X^TX)^{-1}X^TY 从数学的角度来看，上述等式仅需要XTXXTXX^TX是可逆的。那么，为什么我们需要这些假设呢？我问了几个同事，他们提到这是要获得良好的结果，而正规方程是实现该目标的算法。但是在那种情况下，这些假设有何帮助？坚持使用它们如何有助于建立更好的模型？

15 regression  assumptions 

在运行方差分析时，我们被告知必须进行某些测试假设才能使其适用于数据。对于测试起作用的必要条件，我从未理解以下原因： 在设计的每个单元格中，因变量（残差）的方差应相等 对于设计的每个单元，您的因变量（残差）应近似正态分布 我了解关于是否需要满足这些假设存在一些灰色区域，但是出于争论的目的，如果在给定的数据集中完全不满足这些假设，那么使用ANOVA将会带来什么问题？

15 hypothesis-testing  anova  assumptions 

使用回归模型进行推理的基本假设是，“所有相关的预测变量”已包含在预测方程式中。理由是未能包含重要的现实因素会导致系数出现偏差，从而导致推论不准确（即省略了可变偏差）。 但是，在研究实践中，我从未见过任何类似 “所有相关预测变量”的事物。许多现象有许多重要原因，要把它们全部包括在内，将是非常困难的，即使不是不可能的话。一个现成的例子就是将抑郁症建模为结果：没有人建立类似于“所有相关变量”的模型的任何东西：例如，父母的历史，人格特质，社会支持，收入，他们的互动等，等等... 此外，除非有非常大的样本量，否则拟合这样一个复杂的模型将导致高度不稳定的估计。 我的问题很简单：“包含所有相关预测变量”的假设/建议是否只是我们“说”但实际上没有表达的意思？如果不是，那么我们为什么要提供它作为实际的建模建议？ 这是否意味着大多数系数可能会产生误导？（例如，仅使用几种预测因子的人格因素和抑郁症研究）。换句话说，对于我们的科学结论而言，这有多大的问题？

15 regression  assumptions  bias  predictor  confounding 

为什么线性回归和广义模型的假设不一致？ 在线性回归中，我们假设残差来自高斯 在其他回归（逻辑回归，毒物回归）中，我们假设响应来自某种分布（二项式，泊松等）。 为什么有时会假设剩余而其他时间会在响应时？是因为我们要导出不同的属性？ 编辑：我认为mark999的显示两种形式是相等的。但是，我对iid还有其他疑问： 我的另一个问题 是，逻辑回归是否有iid假设？显示广义线性模型没有iid假设（独立但不相同） 对于线性回归，是否真的成立，如果我们对残差进行假设，我们将有iid，但是如果对响应进行假设，我们将拥有独立但不相同的样本（具有不同不同高斯样本）？μμ\mu

14 regression  generalized-linear-model  assumptions  linear 

有人可以为我简要解释一下，为什么要计算OLS估计量需要六个假设中的每一个？我只发现了多重共线性-如果存在多重共线性，则无法求反（X'X）矩阵，进而无法估计总体估计量。其他的怎么样（例如，线性度，零均值误差等）？

14 least-squares  assumptions 

我制作了一个具有单个响应变量（连续/正态分布）和4个解释变量（其中3个是因子，第四个是整数）的广义线性模型。我使用了具有身份链接功能的高斯误差分布。我目前正在检查模型是否满足广义线性模型的假设，即： Y的独立性 正确的链接功能 解释变量的正确计量范围 没有影响力的观察 我的问题是：如何检查模型是否满足这些假设？最好的起点似乎是针对每个解释变量绘制响应变量。但是，有3个解释变量是分类的（具有1-4个级别），那么在图中我应该寻找什么？ 另外，我是否需要检查解释变量之间的多重共线性和相互作用？如果是，我该如何使用分类解释变量？

14 regression  generalized-linear-model  ancova  assumptions  scatterplot 

我听说过（抱歉，我无法提供到文本的链接，有人告诉我）对于正确的假设检验和置信区间，残差的高正峰度可能会成问题（因此存在统计推断问题）。这是真的吗？如果是这样，为什么？残差的高正峰度是否不表示大部分残差都接近零均值，因此存在的残差较小？（如果您有答案，请尝试在数学方面不多的情况下给出答案，因为我不太喜欢数学）。

14 statistical-significance  p-value  assumptions  kurtosis 

我正在尝试查找有关PLS回归假设的信息（单）。我对将PLS的假设与OLS回归的假设进行比较特别感兴趣。 ÿyy 我已经阅读/浏览了有关PLS主题的大量文献；Wold（Svante and Herman），Abdi和许多其他人的论文，但找不到令人满意的来源。 沃尔德等。（2001）PLS回归：化学计量学的基本工具确实提到了PLS的假设，但是只提到了 X不必独立， 该系统是一些潜在变量的函数， 该系统在整个分析过程中应表现出同质性，并且 测量误差是可以接受的。 XXX 没有提及观察到的数据或模型残差的任何要求。有谁知道解决这个问题的资源吗？考虑基础数学类似于PCA（以最大化ÿyy和X之间的协方差为目标XXX）是（y，X）(y,X)(y, X)的多元正态性吗？模型残差是否需要表现出方差均匀性？ 我也相信我在某处读到，观察不必是独立的。就重复测量研究而言，这意味着什么？

13 regression  assumptions  partial-least-squares 

下图是回归测试的残留散点图，对于这些测试，可以肯定已经满足“正态性”，“均方差性”和“独立性”的假设！为了测试“线性”假设，尽管通过查看图表可以推测出该关系是曲线的，但是问题是：“ R2线性”的值如何用于测试线性假设？“ R2线性”值确定该关系是否为线性的可接受范围是什么？如果不满足线性假设并且对IV进行转换也无济于事怎么办？ 这是测试完整结果的链接。 散点图：

13 multiple-regression  linear-model  assumptions  r-squared 

内生性和未观察到的异质性有什么区别？我知道内生性来自例如省略的变量吗？但是据我了解，未观察到的异质性会导致相同的问题。但是，这两个概念之间的区别到底在哪里？

13 regression  assumptions 

我一直在与几个实验室成员讨论这个问题，我们已经到了多个来源，但仍然没有答案： 当我们说一个GLM有一个泊松族时，我们说的是在谈论残差或响应变量的分布吗？ 争论点 阅读此文章也指出，GLM的假设是观察的统计独立性，链接和方差函数的正确规范（这让我想起了残差，不响应变量），计量正确的比例为响应变量且缺乏单点的不当影响 这个问题有两个答案，每个答案都有两点，出现的第一个是关于残差的，第二个是关于响应变量的，是吗？ 在此博客文章中，当谈到假设时，他们说“ 残差的分布可以是其他分布，例如二项式 ” 在年初这一章他们说，错误的结构必须是泊松，但残差必将有积极和消极的价值观，怎么可能泊松？ 这个问题经常在诸如此类的问题中被引用，以使它们重复，但没有公认的答案 这个问题的答案谈论的是回应而不是残差 在这个从Pensilvania大学课程说明他们谈论的假设，而不是残差响应变量

13 generalized-linear-model  residuals  assumptions 

Logistic回归的一种假设是logit中的线性。因此，一旦我建立了模型并开始运行，就可以使用Box-Tidwell测试来测试非线性。我的一个连续预测变量（X）对非线性进行了正面测试。我接下来该怎么办？ 因为这违反了假设，所以我应该摆脱预测变量（X）或包括非线性变换（X * X）。还是将变量转换为分类变量？如果您有参考，也可以给我指出吗？

13 regression  logistic  references  assumptions  regression-strategies 

我对逻辑回归分析中连续预测变量的logit线性假设感到困惑。在使用单变量logistic回归分析筛选潜在预测指标时，我们是否需要检查线性关系？ 就我而言，我正在使用多元逻辑回归分析来确定参与者中与营养状况（二分结果）相关的因素。连续变量包括年龄，Charlson合并症评分，Barthel指数评分，握力，GDS评分，BMI等。我的第一步是使用简单的逻辑回归筛选重要变量。在每个连续变量的简单逻辑回归分析过程中，是否需要检查线性假设？还是应该在最终的多元逻辑回归模型中进行检查？ 此外，据我了解，我们需要先将非线性连续变量转化为模型，然后再进行转换。我可以对非线性连续变量进行分类而不是进行转换吗？

13 regression  logistic  assumptions  splines  regression-strategies 

除非我没有弄错，否则在线性模型中，假定响应的分布具有系统成分和随机成分。错误项捕获随机分量。因此，如果我们假设误差项是正态分布的，这是否意味着响应也是正态分布的？我认为确实可以，但是随后的诸如此类的陈述似乎相当混乱： 您可以清楚地看到，此模型中“正态性”的唯一假设是残差（或“错误”）应呈正态分布。没有关于预测变量或响应变量的分布的假设。X 我ÿ 我ϵiϵi\epsilon_ixixix_iyiyiy_i 来源：预测变量，响应和残差：真正需要正态分布的是什么？

12 regression  assumptions