Questions tagged «poisson-regression»

我已经看到了很多讨论基本Poisson回归是否为零膨胀Poisson回归的嵌套版本的文章。例如，此站点认为是这样，因为后者包括用于建模其他零的额外参数，但其他方面包括与前者相同的泊松回归参数，尽管该页面确实包含了不同意的引用。 我找不到的信息是是否嵌套了零截断的Poisson和基本的Poisson。如果零截断的Poisson只是具有额外规定零计数的概率为零的Poisson，那么我想听起来像是可能的，但我希望有一个更明确的答案。 我想知道的原因是，这会影响我是否应该使用Vuong检验（对于非嵌套模型），还是基于对数似然差的更基本的卡方检验（对于嵌套模型）。 威尔逊（2015）讨论了Vuong检验是否适合将零膨胀回归与基本检验进行比较，但我找不到讨论零截断数据的资料。

9 poisson-regression  zero-inflation 

我对估算调整后的风险比率很感兴趣，类似于人们如何使用logistic回归估算调整后的优势比率。一些文献（例如this）表明，将泊松回归与Huber-White标准误差一起使用是基于模型的方法 我没有找到关于调整连续协变量如何影响这一点的文献。下面的简单模拟表明此问题并非那么简单： arr <- function(BLR,RR,p,n,nr,ce) { B = rep(0,nr) for(i in 1:nr){ b <- runif(n)<p x <- rnorm(n) pr <- exp( log(BLR) + log(RR)*b + ce*x) y <- runif(n)<pr model <- glm(y ~ b + x, family=poisson) B[i] <- coef(model)[2] } return( mean( exp(B), na.rm=TRUE ) ) } set.seed(1234) arr(.3, …

9 r  references  biostatistics  poisson-regression  relative-risk 

我有这些数据： set.seed(1) predictor <- rnorm(20) set.seed(1) counts <- c(sample(1:1000, 20)) df <- data.frame(counts, predictor) 我进行了泊松回归 poisson_counts <- glm(counts ~ predictor, data = df, family = "poisson") 负二项式回归： require(MASS) nb_counts <- glm.nb(counts ~ predictor, data = df) 然后我为泊松回归计算色散统计量： sum(residuals(poisson_counts, type="pearson")^2)/df.residual(poisson_counts) # [1] 145.4905 负二项式回归： sum(residuals(nb_counts, type="pearson")^2)/df.residual(nb_counts) # [1] 0.7650289 在不使用方程式的情况下，谁能解释为什么负二项式回归的色散统计量远小于泊松回归的色散统计量？

9 generalized-linear-model  residuals  negative-binomial  poisson-regression  dispersion