Jeden model jest „zagnieżdżony” w innym, jeśli jest jego ograniczoną wersją. Modele zagnieżdżone można porównać z testem współczynnika wiarygodności. Użyj tego tagu w przypadku pytań dotyczących porównywania niezagnieżdżonych modeli.
W literaturze na temat modeli hierarchicznych / wielopoziomowych często czytałem o „modelach zagnieżdżonych” i „modelach nie zagnieżdżonych”, ale co to oznacza? Czy ktoś mógłby podać mi kilka przykładów lub powiedzieć o matematycznych implikacjach tego sformułowania?
Jakie dokładnie warunki należy spełnić, aby porównanie modeli AIC zadziałało? Właśnie natrafiłem na to pytanie, kiedy porównałem to: > uu0 = lm(log(usili) ~ rok) > uu1 = lm(usili ~ rok) > AIC(uu0) [1] 3192.14 > AIC(uu1) [1] 14277.29 W ten sposób uzasadniłem logtransformację zmiennej usili. Ale nie wiem, czy mogę …
Powiedzmy, że mamy GLMM mod1 <- glmer(y ~ x + A + (1|g), data = dat) mod2 <- glmer(y ~ x + B + (1|g), data = dat) Te modele nie są zagnieżdżone w zwykłym sensie: a <- glmer(y ~ x + A + (1|g), data = dat) b <- …
Obecnie sprawdzam niektóre prace i natknąłem się na następujące, co wydaje mi się błędne. Dwa mieszane modele są montowane (w R) za pomocą lmera. Modele nie są zagnieżdżone i są porównywane za pomocą testów współczynnika wiarygodności. Krótko mówiąc, oto powtarzalny przykład tego, co mam: set.seed(105) Resp = rnorm(100) A = …
Zarówno test współczynnika wiarygodności, jak i AIC są narzędziami do wyboru między dwoma modelami i oba oparte są na prawdopodobieństwie logarytmicznym. Ale dlaczego test współczynnika prawdopodobieństwa nie może być użyty do wyboru między dwoma nie zagnieżdżonymi modelami, podczas gdy AIC może?
Mówiąc dokładniej, dlaczego testy współczynnika prawdopodobieństwa mają asymptotycznie jeśli modele są zagnieżdżone, ale nie jest tak już w przypadku modeli nie zagnieżdżonych? Rozumiem, że wynika to z twierdzenia Wilksa, ale niestety nie rozumiem tego dowodu .χ2)χ2\chi^2
AIC jest zdefiniowane jako , gdzie jest estymatorem największego prawdopodobieństwa, a jest wymiarem przestrzeni parametrów. Do oszacowania zwykle pomija się stały współczynnik gęstości. Jest to czynnik, który nie zależy od parametrów, w celu uproszczenia prawdopodobieństwa. Z drugiej strony czynnik ten jest bardzo ważny przy obliczaniu AIC, biorąc pod uwagę, że …
Do tej pory widziałem ANOVA używaną na dwa sposoby: Po pierwsze , w moim tekście statystyki wprowadzającej ANOVA została wprowadzona jako sposób porównania średnich z trzech lub więcej grup, jako ulepszenie w porównaniu z parami, w celu ustalenia, czy jeden ze średnich ma statystycznie istotną różnicę. Po drugie , w …
Pracuję nad zestawem danych. Po zastosowaniu niektórych technik identyfikacji modelu, wyszłam z modelem ARIMA (0,2,1). Użyłem detectIOfunkcji w pakiecie TSAw R do wykrycia innowacyjnej wartości odstającej (IO) przy 48. obserwacji mojego oryginalnego zestawu danych. Jak włączyć tę wartość odstającą do mojego modelu, aby móc jej używać do celów prognozowania? Nie …
Używamy plików cookie i innych technologii śledzenia w celu poprawy komfortu przeglądania naszej witryny, aby wyświetlać spersonalizowane treści i ukierunkowane reklamy, analizować ruch w naszej witrynie, i zrozumieć, skąd pochodzą nasi goście.
Kontynuując, wyrażasz zgodę na korzystanie z plików cookie i innych technologii śledzenia oraz potwierdzasz, że masz co najmniej 16 lat lub zgodę rodzica lub opiekuna.