Questions tagged «quasi-likelihood»

我希望有人能够提供关于准二项式分布及其作用的直观概述。我对这些要点特别感兴趣： 准二项式与二项式分布有何不同。 当响应变量是一个比例（示例值包括0.23、0.11、0.78、0.98）时，准二项式模型将在R中运行，而二项式模型则不会。 当TRUE / FALSE响应变量过度分散时，为什么要使用准二项式模型。

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

我正在尝试将广义线性模型拟合到可能过度分散的某些计数数据集。此处适用的两个规范分布是泊松和负二项式（Negbin），其EV和方差μμ\mu VarP=μVarP=μVar_P = \mu VarNB=μ+μ2θVarNB=μ+μ2θVar_{NB} = \mu + \frac{\mu^2}{\theta} 可以分别使用glm(..,family=poisson)和将其安装在R中glm.nb(...)。还有一个quasipoisson家庭，以我的理解，这是一个经过调整的泊松，具有相同的EV和方差 VarQP=ϕμVarQP=ϕμVar_{QP} = \phi\mu， 即落在Poisson和Negbin之间。准泊松族的主要问题是没有相应的可能性，因此没有许多非常有用的统计检验和拟合度量（AIC，LR等）。 如果比较QP和Negbin方差，可能会注意到可以通过来使它们相等。继续这种逻辑，您可以尝试将准泊松分布表示为Negbin的特例：ϕ=1+μθϕ=1+μθ\phi = 1 + \frac{\mu}{\theta} QP(μ,ϕ)=NB(μ,θ=μϕ−1)QP(μ,ϕ)=NB(μ,θ=μϕ−1)QP\,(\mu,\phi) = NB\,(\mu,\theta = \frac{\mu}{\phi-1})， 即，一个\ theta的Negbin与\ muθθ\theta线性相关。我试图通过根据上述公式生成一个随机的数字序列并将其拟合为来验证这种想法：μμ\muglm #fix parameters phi = 3 a = 1/50 b = 3 x = 1:100 #generating points according to an exp-linear curve #this way …

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

问题：拟最大似然估计（QMLE；又称伪最大似然估计，PMLE）背后的思想和直觉是什么？当实际误差分布与假定误差分布不匹配时，使估算器工作的原因是什么？ QMLE 的Wikipedia站点很好（简要，直观），但是我可以使用更多的直觉和细节，也许还可以作为例证。其他参考文献也很受欢迎。（我记得翻阅了很多计量经济学教科书，以寻找有关QMLE的资料，而令我惊讶的是，QMLE仅涵盖其中一到两个，例如Wooldridge “横截面和面板数据的计量经济学分析”（2010年），第13章第11节，第502-517页。）

17 maximum-likelihood  references  intuition  quasi-likelihood 

我有计数数据（根据可能的许多因素，对客户数量进行需求/报价分析）。我尝试使用正常错误进行线性回归，但是我的QQ图并不是很好。我尝试了答案的日志转换：再次是不良的QQ图。 所以现在，我正在尝试使用Poisson错误进行回归。使用具有所有重要变量的模型，我得到： Null deviance: 12593.2 on 53 degrees of freedom Residual deviance: 1161.3 on 37 degrees of freedom AIC: 1573.7 Number of Fisher Scoring iterations: 5 残余偏差大于残余自由度：我过于分散。 我怎么知道我是否需要使用准泊松？在这种情况下，拟泊松的目标是什么？我在克劳利（Crawley）的《 The R Book》中阅读了此建议，但我的观点并没有太大的改善。

16 count-data  poisson-regression  overdispersion  quasi-likelihood 

每当我们使用限制响应变量方差的模型时，就会在GLM中出现“过度分散”现象，并且数据显示的方差大于模型限制所允许的方差。在使用Poisson GLM对计数数据进行建模时，通常会发生这种情况，并且可以通过众所周知的测试进行诊断。如果测试表明存在统计学上显着的过度分散迹象，那么我们通常通过使用更广泛的分布族来概括模型，该分布族将方差参数从原始模型下出现的约束中解脱出来。对于Poisson GLM，通常将其推广为负二项式或准Poisson GLM。 这种情况怀有明显的异议。为什么要从Poisson GLM开始呢？可以直接从较宽的分布形式开始，后者具有（相对）自由的方差参数，并允许方差参数适合数据，而完全忽略了过度分散测试。在其他情况下，当我们进行数据分析时，我们几乎总是使用至少允许前两个时刻自由的分布形式，那么为什么在这里例外？ 我的问题：是否有充分的理由从确定方差的分布（例如泊松分布）开始，然后执行过度分散测试？与完全跳过本练习并直接转到更通用的模型（例如，负二项式，准泊松等）相比，此过程如何？换句话说，为什么不总是使用带有自由方差参数的分布呢？

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

据我所知，逻辑模型和分数响应模型（frm）之间的区别在于，因变量（Y）其中frm为[0,1]，而logistic为{0，1}。此外，frm使用拟似然估计器确定其参数。 通常，我们可以使用glm来获得逻辑模型glm(y ~ x1+x2, data = dat, family = binomial(logit))。 对于frm，我们更改family = binomial(logit)为family = quasibinomial(logit)。 我注意到我们也可以family = binomial(logit)用来获取frm的参数，因为它给出了相同的估计值。请参阅以下示例 library(foreign) mydata <- read.dta("k401.dta") glm.bin <- glm(prate ~ mrate + age + sole + totemp, data = mydata ,family = binomial('logit')) summary(glm.bin) 返回， Call: glm(formula = prate ~ mrate + age + …

13 r  logistic  generalized-linear-model  quasi-likelihood 

我遇到了三个建议，用于处理Poisson响应变量和所有固定效应起始模型中的过度分散： 使用准模型； 使用负二项式GLM； 使用具有主题级别随机效果的混合模型。 但是该选择哪个，为什么呢？其中有什么实际标准吗？

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

在保险环境中建模索赔计数数据时，我从泊松开始，但后来发现分散过度。准泊松比基本泊松更好地模拟了更大的均方差关系，但我注意到泊松模型和准泊松模型中的系数相同。 如果这不是错误，为什么会这样？与Poisson相比，使用Quasi-Poisson有什么好处？ 注意事项： 基本损失是过大的（我认为）使Tweedie无法正常工作-但这是我尝试的第一个发行版。我还检查了NB，ZIP，ZINB和Hurdle模型，但仍然发现准泊松提供了最佳拟合。 我通过AER封装中的分散测试对过分散进行了测试。我的色散参数约为8.4，p值为10 ^ -16。 我正在将glm（）与family = poisson或quasipoisson一起使用，并使用代码的日志链接。 当运行Poisson代码时，出现“ In dpois（y，mu，log = TRUE）：非整数x = ...”的警告。 每个Ben指导的有用SE线程： 泊松回归中偏移的基本数学 偏移量对系数的影响 使用曝光作为协变量与偏移量之间的区别

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