Regresión generalizada de la personalidad y el paquete de diagnósticoHola a todos,
Tengo una pregunta rápida; JMP13 pro viene con una personalidad de regresión generalizada. Después de ajustar los datos, es posible verificar los residuos utilizando el paquete de diagnóstico. ¿Los residuos para seguir los supuestos de ANOVA (es decir, normalidad, homogeneidad, iid) si uso la Distribución Gamma?
Gracias
Regresión generalizada con distribución gamma
Re: Regresión generalizada de la personalidad y el paquete de diagnósticoLa varianza es proporcional al nivel de respuesta. Puede intentar una regresión lineal logarítmica de Poisson a través de la personalidad de los modelos lineales generalizados, ya que está contando. Seleccione la distribución de Poisson y la función de enlace de registro canónico. Asegúrese de incluir ambas opciones: dispersión excesiva y ajuste del sesgo de Firth. Debido a que está utilizando un DOE, espero que la oportunidad para cada ejecución sea la misma y, por lo tanto, no se requiera compensación.
Re: Regresión generalizada de la personalidad y el paquete de diagnóstico Estoy tratando de abordar si los tratamientos, el tipo de fungicida (X1) y el lote de hongos (X2), afectan el número promedio de esporas (Y). El diseño experimental es un factorial 2x2 con 4 repeticiones por combinación de tratamiento. El análisis de los residuos no cumple con los supuestos de ANOVA. En particular, me preocupa que los residuos no aparezcan distribuidos normalmente y tengan variaciones desiguales, por lo que invalidan las conclusiones de significación estadística de los tratamientos.
La transformación de los datos tampoco "normaliza" los residuos. Por lo tanto, estoy interesado en aplicar cualquier distribución (como Gamma) que ofrezca la personalidad de Regresión Generalizada en JMP.
Re: Regresión generalizada de la personalidad y el paquete de diagnósticoAntes de ir demasiado lejos, en lugar de discutir los residuos, ¿quizás pueda compartir con nosotros el problema práctico que está tratando de resolver? En su archivo, tiene un buen experimento de diseño equilibrado y replicado con dos factores nominales en dos niveles cada uno. Con 4 repeticiones por combinación de tratamiento. Rara vez se crea un diseño como este sin cierta previsión y razón de ser. Antes de comenzar a examinar 'estadísticas' y visualizaciones para evaluar un estudio que otra persona creó, me gustaría comprender el objetivo del estudio.
Re: Regresión generalizada de la personalidad y el paquete de diagnósticoMuchas gracias a ambos por sus respuestas. Estoy adjuntando un archivo JMP con el script de Regresión Generalizada (JSL). Me pregunto, ¿cuáles son las características que debo verificar de los residuos frente a la distribución gamma?
Re: Regresión generalizada de la personalidad y el paquete de diagnósticoAgregando a la explicación de Peter, puede pensar en cada residuo (Y observado - Y predijo) como una estimación del error de respuesta. El modelo de regresión generalizada que usó modeló los errores con la distribución gamma. Entonces, asume la distribución gamma, no la distribución normal, al verificar los supuestos de regresión con los residuales.
Re: Regresión generalizada de la personalidad y el paquete de diagnósticoCreo que puede estar mezclando suposiciones que nos gustaría hacer acerca de los residuos y sus propiedades deseadas con lo que en realidad son computacionales. Los residuos de cualquier plataforma de modelado JMP no son más elegantes que la diferencia entre la respuesta observada real y el valor predicho para esa observación específica, según el modelo que se ajustó. Así que los residuos son lo que son.
Así que realmente hay un enfoque de dos pasos aquí ...
Paso 1: Calcular los residuos.
Paso 2: analice los residuos para determinar la "falta de ajuste" o cualquier otro patrón sospechoso que pueda cuestionar el uso continuo del modelo con fines prácticos.
Utilizamos técnicas como el análisis residual, muchas de las visualizaciones están integradas en el paquete de diagnóstico, para probar las suposiciones que nos gustaría probar. Por lo tanto, no hay suposiciones integradas per se en las visualizaciones del paquete. Los datos son lo que son los datos. Puede utilizar su experiencia en el dominio de los ojos y los ojos para comprobar la normalidad, los patrones no aleatorios, los valores atípicos, etc. Sus ojos y experiencia en el dominio deberían triunfar sobre cualquier prueba F o otra prueba de "falta de ajuste" en el planeta.
