Generalized Regression Personality und Diagnostic BundleHallo zusammen,
Ich habe eine kurze Frage. JMP13 Pro verfügt über eine generalisierte Regressionspersönlichkeit. Nach dem Anpassen der Daten können die Residuen mit dem Diagnose-Bundle überprüft werden. Sollen die Residuen den ANOVA-Annahmen folgen (dh Normalität, Homogenität, iid), wenn ich die Gamma-Verteilung verwende?
Vielen Dank
Generalisierte Regression mit Gamma-Verteilung
Re: Generalized Regression Personality und Diagnostic BundleDie Varianz ist proportional zum Antwortpegel. Sie können eine Poisson-Protokoll-lineare Regression durch die Persönlichkeit Generalized Linear Models ausprobieren, da Sie zählen. Wählen Sie die Poisson-Verteilung und die kanonische Log-Link-Funktion aus. Vergewissern Sie sich, dass beide Optionen enthalten sind: Überstreuung und Firth-Bias-Anpassung. Da Sie ein DOE verwenden, gehe ich davon aus, dass die Gelegenheit für jeden Lauf die gleiche ist und daher kein Offset erforderlich ist.
Re: Generalized Regression Personality und Diagnostic Bundle Ich versuche anzusprechen, ob die Behandlungen, der Fungizidtyp (X1) und der Pilzansatz (X2), die durchschnittliche Anzahl der Sporen (Y) beeinflussen. Das experimentelle Design ist ein 2x2-Faktorial mit 4 Wiederholungen pro Behandlungskombination. Die Analyse der Residuen entspricht nicht den ANOVA-Annahmen. Insbesondere befürchte ich, dass die Residuen nicht normal verteilt erscheinen und ungleiche Abweichungen aufweisen, wodurch die Schlussfolgerungen der statistischen Signifikanz der Behandlungen ungültig werden.
Durch die Umwandlung der Daten werden die Residuen auch nicht "normalisiert". Daher bin ich an der Anwendung von Distributionen (wie Gamma) interessiert, die die Persönlichkeit der generalisierten Regression in JMP anbietet.
Re: Generalized Regression Personality und Diagnostic BundleBevor wir zu viel weiter kommen, anstatt die Residuen zu besprechen, können Sie uns vielleicht das praktische Problem mitteilen, das Sie ansprechen möchten. In Ihrer Datei haben Sie ein schönes ausgewogenes, repliziertes Experiment mit zwei Nominalfaktoren auf jeweils zwei Ebenen. Mit 4 Wiederholungen pro Behandlungskombination. Selten schafft man ein solches Design ohne Rücksicht und Überlegung. Bevor ich damit anfange, "Statistiken" und Visualisierungen zu untersuchen, um eine Studie zu bewerten, die ein anderer erstellt hat, möchte ich das Ziel der Studie verstehen.
Re: Generalized Regression Personality und Diagnostic BundleVielen Dank für Ihre Antworten. Ich füge eine JMP-Datei mit dem JSL-Skript (Generalized Regression) hinzu. Ich frage mich, welche Eigenschaften ich bei den Residuen gegen die Gammaverteilung prüfen sollte.
Re: Generalized Regression Personality und Diagnostic BundleZu Peters Erklärung kann man sich jeden Rest (Y beobachtet - Y vorausgesagt) als eine Schätzung des Antwortfehlers vorstellen. Das von Ihnen verwendete generalisierte Regressionsmodell hat die Fehler mit der Gamma-Verteilung modelliert. Sie nehmen also die Gamma-Verteilung an, nicht die Normalverteilung, wenn Sie die Regressionsannahmen mit den Residuen überprüfen.
Re: Generalized Regression Personality und Diagnostic BundleIch denke, Sie vermischen vielleicht Vermutungen, die wir über Residuen und ihre gewünschten Eigenschaften machen möchten, mit den tatsächlich berechneten Annahmen. Die Residuen einer JMP-Modellierungsplattform sind nichts eleganter als der Unterschied zwischen der tatsächlich beobachteten Antwort und dem jeweils vorhergesagten Wert für diese spezielle Beobachtung, basierend auf dem Modell, das gepasst wurde. Residuen sind also, was sie sind.
Es gibt also wirklich einen zweistufigen Ansatz hier ...
Schritt 1: Berechnen Sie die Residuen.
Schritt 2: Analysieren Sie die Residuen auf „fehlende Passung“ oder andere verdächtige Muster, die die weitere Verwendung des Modells für praktische Zwecke in Frage stellen könnten.
Wir verwenden Techniken wie die Residualanalyse. Viele der Visualisierungen sind in das Diagnosebündel eingebettet, um zu testen, auf welche Annahmen wir testen möchten. Daher gibt es in den Visualisierungen des Bundles keine per se eingebetteten Annahmen. Die Daten sind, was die Daten sind. Sie können Ihr Augen- und Domänenwissen verwenden, um auf Normalität, nicht zufällige Muster, Ausreißer usw. zu prüfen. Ihre Augen und Ihr Fachwissen sollten jeden F-Test oder einen anderen "Mangel an Passform" -Test auf dem Planeten übertreffen.
