Personalità di regressione generalizzata e pacchetto diagnosticoCiao a tutti,
Ho una domanda veloce; JMP13 pro ha una personalità di regressione generalizzata. Dopo aver adattato i dati, è possibile controllare i residui utilizzando il pacchetto di diagnostica. I residui seguono le ipotesi ANOVA (cioè normalità, omogeneità, iid) se utilizzo la distribuzione gamma?
Grazie
Regressione generalizzata con distribuzione gamma
Ri: Generalized Regression Personality and Diagnostic BundleLa varianza è proporzionale al livello di risposta. Potresti provare una regressione lineare-log Poisson attraverso la personalità dei Modelli lineari generalizzati poiché stai contando. Selezionare la distribuzione di Poisson e la funzione di collegamento logico canonico. Assicurati di includere entrambe le opzioni: sovrasfruttamento e regolazione del bias di Firth. Poiché si utilizza un DOE, mi aspetto che l'opportunità per ogni analisi sia la stessa e, pertanto, non è richiesto alcun offset.
Ri: Generalized Regression Personality and Diagnostic Bundle Sto cercando di capire se i trattamenti, il tipo di fungicida (X1) e il lotto di funghi (X2), influenzano il numero medio di spore (Y). Il design sperimentale è un fattoriale 2x2 con 4 repliche per combinazione di trattamento. L'analisi dei residui non soddisfa le ipotesi ANOVA. In particolare, sono preoccupato che i residui non appaiano normalmente distribuiti e abbiano varianze disuguali, invalidando quindi le conclusioni di significatività statistica dei trattamenti.
Trasformare i dati non 'normalizza' neanche i residui. Pertanto, sono interessato ad applicare qualsiasi distribuzione (come Gamma) che offre la personalità di regressione generalizzata in JMP.
Ri: Generalized Regression Personality and Diagnostic BundlePrima di andare troppo oltre, piuttosto che discutere dei residui, forse puoi condividere con noi il problema pratico che stai cercando di affrontare? Nel tuo file hai un bell'esperimento bilanciato, replicato e progettato con due fattori nominali a due livelli ciascuno. Con 4 repliche per combinazione di trattamento. Raramente si crea un disegno come questo senza una certa previdenza e logica. Prima di iniziare a esaminare "statistiche" e visualizzazioni per valutare uno studio creato da qualcun altro, mi piacerebbe capire l'obiettivo dello studio.
Ri: Generalized Regression Personality and Diagnostic BundleGrazie mille per le tue risposte. Allego un file JMP con lo script Generalized Regression (JSL). Mi chiedo, quali sono le caratteristiche che dovrei controllare dei residui rispetto alla distribuzione gamma?
Ri: Generalized Regression Personality and Diagnostic BundleAggiungendo alla spiegazione di Peter, puoi pensare a ciascun residuo (Y osservato - Y previsto) come una stima dell'errore di risposta. Il modello di regressione generalizzata che hai utilizzato ha modellato gli errori con la distribuzione gamma. Quindi si assume la distribuzione gamma, non la distribuzione normale, quando si controllano le ipotesi di regressione con i residui.
Ri: Generalized Regression Personality and Diagnostic BundlePenso che potresti mescolare ipotesi che vorremmo fare riguardo ai residui e alle loro proprietà desiderate con ciò che effettivamente sono computazionalmente. I residui di qualsiasi piattaforma di modellazione JMP non sono niente di più elegante della differenza tra la risposta effettiva osservata e qualunque sia il valore previsto per quella specifica osservazione, sulla base del modello che era adatto. Quindi i residui sono quello che sono.
Quindi c'è davvero un approccio in due passi qui ...
Step 1: Calcola i residui.
Passaggio 2: Analizzare i residui per "mancanza di adattamento" o qualsiasi altro modello sospetto che possa mettere in dubbio l'uso continuato del modello per scopi pratici.
Utilizziamo tecniche come l'analisi residua, molte delle visualizzazioni sono incorporate nel pacchetto diagnostico, per testare le ipotesi che vorremmo testare. Quindi non ci sono assunzioni incorporate di per sé nelle visualizzazioni del pacchetto. I dati sono quali sono i dati. Puoi usare la tua esperienza di occhi e dominio per testare la normalità, i modelli non casuali, i valori anomali ecc. I tuoi occhi e la tua esperienza nel dominio dovrebbero superare qualsiasi test F o altro test di "mancanza di adattamento" sul pianeta.
