Saya ingin menyesuaikan model linier (lm) di mana varians residual jelas tergantung pada variabel penjelas.
Cara saya tahu untuk melakukan ini adalah dengan menggunakan glm dengan keluarga Gamma untuk memodelkan varians, dan kemudian menempatkan kebalikannya ke dalam bobot dalam fungsi lm (contoh: http://nitro.biosci.arizona.edu/r/chapter31 .pdf )
Aku ingin tahu:
- Apakah ini satu-satunya teknik?
- Apa pendekatan lain yang relevan?
- Paket / fungsi R apa yang relevan dengan pemodelan tipe ini? (selain glm, lm)
glm()
makalm()
dalam bab Anda link ke. Menurut sayaglm()
hanya itulah yang diperlukan dan digunakan di sana, tetapi saya mungkin telah melewatkan sesuatu. Anda dapat mencoba kuadrat terkecil umum (gls()
dalam nlme ) yang memungkinkan bobot diperkirakan untuk mengontrol jenis heteroskedastisitas yang Anda sebutkan; lihat?varFunc
dan ikuti tautan dari sana. IIRCvarFixed()
akan melakukan apa yang Anda inginkan.Jawaban:
Pil yang melawan "efek megafon" meliputi (antara lain):
rlm()
dalamMASS
paket R melakukan estimasi-M, yang seharusnya kuat terhadap ketidaksamaan varian.Sunting Juli 2017: Tampaknya kuadrat terkecil yang digeneralisasi, seperti yang disarankan dalam jawaban Greg Snow, adalah salah satu opsi terbaik.
sumber
Dengan paket gamlss Anda dapat memodelkan distribusi kesalahan dari respons sebagai fungsi linier, non-linier, atau fungsi halus dari variabel penjelas. Ini tampaknya merupakan pendekatan yang sangat kuat (saya belajar banyak tentang semua kemungkinan yang mungkin muncul selama proses pemilihan model) dan semuanya dijelaskan dengan baik dalam beberapa publikasi (termasuk buku) yang dirujuk pada tautan di atas.
sumber
The
gls
fungsi dalamnlme
paket untuk R dapat memperkirakan regresi dan hubungan dengan varians pada waktu yang sama. Lihatweights
argumen dan contoh ke-2 di halaman bantuan.sumber