Apakah perhitungan nol perlu disesuaikan untuk uji rasio kemungkinan model poisson / loglinear?

Jika ada 0 pada tabel kontingensi dan kami menyesuaikan model poisson / loglinear bersarang (menggunakan glmfungsi R ) untuk uji rasio kemungkinan, apakah kita perlu menyesuaikan data sebelum memasang model glm (mis. Tambahkan 1/2 ke semua hitungan)? Jelas beberapa parameter tidak dapat diperkirakan tanpa penyesuaian, tetapi bagaimana penyesuaian / kurangnya penyesuaian mempengaruhi tes LR?

regression poisson-distribution generalized-linear-model likelihood-ratio log-linear BR1
sumber

agaknya glmrutinitas itu akan hilang jika tidak bisa menangani nol. Sudahkah Anda mencobanya?

shabbychef

ya itu tidak crash, tetapi tergantung pada formula (misalnya dalam model jenuh), beberapa parameter dapat memiliki kesalahan standar tak terbatas secara efektif. Pertanyaan saya adalah apakah ini masalah ketika melakukan uji rasio kemungkinan. Anda masih dapat menghitung kemungkinan bahkan jika beberapa parameter tidak diperkirakan, parameter tersebut tidak akan berkontribusi pada kemungkinan tersebut. Apa praktik standar dan mengapa?

BR1

Jawaban:

Salah satu kekuatan pemodelan regresi umumnya adalah Anda dapat memuluskan bidang tanpa data - meskipun seperti yang Anda perhatikan, kadang-kadang ada masalah dalam memperkirakan parameter. Saya akan menyarankan bahwa jika Anda mendapatkan hal-hal seperti kesalahan standar tak terbatas saatnya untuk mempertimbangkan kembali pendekatan pemodelan Anda sedikit.

Satu catatan peringatan khusus: Ada perbedaan antara "Tidak memiliki hitungan" dalam strata tertentu, dan menjadi tidak mungkin untuk ada jumlah dalam strata itu. Misalnya, bayangkan Anda sedang mengerjakan studi tentang gangguan psikologis untuk Angkatan Laut AS antara katakan tahun 2000 dan 2009, dan memiliki istilah regresi biner untuk "Is a Woman" dan "Serves on a Submarine". Model regresi mungkin dapat memperkirakan efek di mana kedua variabel = 1 meskipun memiliki nol di mana keduanya = 1. Namun kesimpulan itu tidak valid - keadaan seperti itu tidak mungkin. Masalah ini disebut "non-positif" dan kadang-kadang masalah dalam model yang sangat bertingkat.

Fomite
sumber

@ skyguy94 Cukup aneh saya tidak - saya tahu itu, saya baru saja lupa untuk mencatat penggunaan set data retrospektif>. <. Diedit untuk mencerminkan hal itu.

Fomite

Re: "Model regresi mungkin dapat memperkirakan efek di mana kedua variabel = 1, atau interaksi antara keduanya " - Saya tidak berpikir itu benar. Jika Anda memiliki dua prediktor biner yang tidak pernah '1' bersama, maka interaksinya konstan (selalu '0'), sehingga pengaruhnya tidak teridentifikasi.

Makro

@ Macro Anda benar, saya sedikit mengedit. Saya sedang berpikir untuk istilah di mana mereka bukan indikator biner.

Fomite

(+1) Jadi, masalah dengan tidak masuk akalnya kasus di mana keduanya = 1 di samping, estimasi berdasarkan model hanya akan menjadi jumlah dari dua efek marjinal, yang kita tahu bisa sangat menyesatkan dalam dirinya sendiri :)

Makro