Questions tagged «nested-models»

在有关分层/多级模型的文献中，我经常阅读有关“嵌套模型”和“非嵌套模型”的信息，但这意味着什么？谁能给我一些例子，或者告诉我有关此措辞的数学含义？

61 hypothesis-testing  terminology  nested-models  nested-data 

要使AIC模型比较正常工作，必须满足哪些先决条件？ 当我像这样进行比较时，我只是遇到了这个问题： > uu0 = lm(log(usili) ~ rok) > uu1 = lm(usili ~ rok) > AIC(uu0) [1] 3192.14 > AIC(uu1) [1] 14277.29 这样我就证明了log变量的转换usili。但是我不知道在例如因变量不同的情况下是否可以对模型进行AIC比较？ 理想的答案应包括先决条件（数学假设）列表。

26 regression  model-selection  aic  model-comparison  nested-models 

假设我们必须使用GLMM mod1 <- glmer(y ~ x + A + (1|g), data = dat) mod2 <- glmer(y ~ x + B + (1|g), data = dat) 这些模型不是通常意义上的嵌套： a <- glmer(y ~ x + A + (1|g), data = dat) b <- glmer(y ~ x + A + B + (1|g), data …

19 r  mixed-model  aic  lme4-nlme  nested-models 

我目前正在审查一些工作，遇到了以下问题，这对我来说似乎是错误的。使用lmer拟合了两个混合模型（在R中）。这些模型是非嵌套的，并通过似然比测试进行比较。简而言之，这是我拥有的可复制示例： set.seed(105) Resp = rnorm(100) A = factor(rep(1:5,each=20)) B = factor(rep(1:2,times=50)) C = rep(1:4, times=25) m1 = lmer(Resp ~ A + (1|C), REML = TRUE) m2 = lmer(Resp ~ B + (1|C), REML = TRUE) anova(m1,m2) 据我所知，它lmer被用来计算对数似然，并且该anova语句使用具有通常自由度的卡方来测试模型之间的差异。这对我来说似乎不正确。如果是正确的话，有人知道有什么参考可以证明这一点吗？我知道依赖模拟的方法（Lewis等人的论文，2011年）和Vuong（1989年）开发的方法，但是我不认为这是在这里产生的。我认为该anova陈述的使用不正确。

14 r  lme4-nlme  likelihood-ratio  nested-models 

似然比检验和AIC都是在两种模型之间进行选择的工具，并且两者均基于对数似然法。 但是，为什么AIC不能使用似然比检验在两个非嵌套模型之间进行选择？

13 aic  likelihood-ratio  nested-models 

更具体地讲，为什么似然比检验渐近有一个，如果模型嵌套的分布，但这不再是没有嵌套模式的情况下？我知道这是根据威尔克斯定理得出的，但是不幸的是，我不理解它的证明。χ2χ2\chi^2

12 likelihood-ratio  nested-models 

AIC定义为，其中是最大似然估计量，是参数空间的维数。对于的估计，通常会忽略密度的常数因子。这就是不依赖参数的因素，以简化可能性。另一方面，该因素对于AIC的计算非常重要，因为在比较非嵌套模型时，该因素并不常见，如果不考虑，则相应AIC的顺序可能会有所不同。θ p θAIC=−2log(L(θ^))+2pAIC=−2log⁡(L(θ^))+2pAIC=-2 \log(L(\hat\theta))+2pθ^θ^\hat\thetapppθθ\theta 我的问题是，比较非嵌套模型时，是否需要计算包括所有密度项的？log(L(θ^))log⁡(L(θ^))\log(L(\hat\theta))

12 model-selection  aic  nested-models 

到目前为止，我已经看到ANOVA以两种方式使用： 首先，在我的介绍性统计文本中，引入了ANOVA作为比较三个或更多组均值的一种方法，是对成对比较的改进，目的是确定一种均值是否具有统计学上的显着差异。 第二，在我的统计学习课文中，我已经看到ANOVA用于比较两个（或多个）嵌套模型，以确定使用模型2预测变量子集的模型1是否同样适合数据，或者是否完整模型2是上乘的。 现在，我认为这两者在某种程度上实际上是非常相似的，因为它们都在使用ANOVA测试，但是从表面上看，它们对我来说似乎完全不同。对于第一个方法，第一个用法比较三个或更多组，而第二个方法只能用于比较两个模型。有人请介意阐明这两种用途之间的联系吗？

12 hypothesis-testing  anova  model-comparison  f-test  nested-models 

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。 我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。 如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？ 以下是我的价值观： VALUE <- scan() 4.6 4.5 4.4 4.5 4.4 4.6 4.7 4.6 4.7 4.7 4.7 5.0 5.0 4.9 5.1 5.0 5.4 5.6 5.8 6.1 6.1 6.5 6.8 7.3 7.8 8.3 8.7 9.0 9.4 9.5 9.5 9.6 9.8 10.0 9.9 9.9 9.8 9.8 9.9 9.9 9.6 9.4 …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models