Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Donc, j'ai un certain nombre de modèles binomiaux négatifs gonflés à zéro et je veux les représenter graphiquement, donc j'ai enregistré les valeurs prédites. Pour les modèles qui n'ont pas de facteurs significatifs, les valeurs sont toutes les mêmes. Pourquoi est-ce? Ne devrait-il pas encore y avoir au moins une sorte de tendance, même si elle n'est pas significative ? De même, un de mes modèles avait une interaction significative (entre mon facteur de blocage et mon facteur continu principal). L'un des blocs a toutes les mêmes valeurs tandis que l'autre bloc présente une tendance.
Pourquoi est-ce que je vois ceci?
Edit : De plus, il semble que toutes mes mesures aient exactement la même tendance. Bien que je sache que ce n'est pas complètement impossible, il semble étrange qu'ils soient presque tous identiques. Cela a-t-il quelque chose à voir avec le fait que j'utilise une distribution binomiale négative ?
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Je comprends. Je pense que l'inclusion du paramètre de sur-dispersion aide beaucoup. Même ainsi, la déviance significative signifie que vous devez accepter des estimations biaisées des paramètres et de la réponse moyenne si vous choisissez d'utiliser ce modèle. Le prédicteur linéaire peut inclure des transformations telles que des puissances et des termes croisés si l'ensemble de données prend en charge leur estimation. Si vous avez un prédicteur continu avec seulement deux niveaux, vous ne pouvez pas inclure de puissances, par exemple.
Votre modèle peut être limité par les données disponibles.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Merci pour la réponse Marc. Si j'ai un test de déviance significatif, quelles seraient les prochaines étapes appropriées pour remédier à ce biais ? Mes Pearson et Deviance Prob>ChiSq sont tous deux significatifs, quels que soient les prédicteurs/covariables inclus.
Modifier : les manuels d'aide fournis dans JMP indiquent que si j'ai un test de déviance significatif, je "peut avoir besoin d'ajouter des termes d'ordre supérieur au modèle, d'ajouter plus de covariables, de modifier la distribution ou (dans les cas de Poisson et binomiaux en particulier) d'envisager en ajoutant un paramètre de surdispersion." En plus de changer la distribution, je ne peux pas vraiment poursuivre l'une de ces autres options.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?La case à cocher dans la boîte de dialogue Ajuster le modèle concerne à la fois le paramètre de dispersion et le test de dispersion. Si vous décidez que la dispersion n'est pas significative, exécutez à nouveau le modèle après avoir décoché cette option. Sinon, vous obtenez à la fois le test et un modèle avec le paramètre de surdispersion supplémentaire.
L'ensemble du test du modèle est basé sur un test de rapport de vraisemblance entre votre modèle et le modèle réduit. C'est un test omnibus pour décider si le modèle, dans son ensemble, est significatif par rapport à la distribution marginale (réponse indépendante de tous les termes sauf l'ordonnée à l'origine.) On espère généralement que ce test est significatif !
Le test de déviance est basé sur un test de rapport de vraisemblance entre votre modèle et modèle saturé . Le modèle saturé est un ajustement parfait, c'est-à-dire sans biais . Le test de déviance est un test omnibus pour décider si le modèle est biaisé. On espère généralement que ce test n'est pas significatif ! C'est une sorte de manque d'ajustement test pour le GLM et d'autres modèles connexes.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Merci Marc. Juste pour clarifier, une valeur p significative pour le test indique une surdispersion. Et il ajoute alors automatiquement un paramètre de surdispersion au modèle ? Ou estime-t-il simplement l'ampleur du paramètre nécessaire ?
Edit : De plus, que signifie le paramètre Déviance dans le test d'adéquation de l'ajustement ?
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?J'étudierai votre explication des blocs plus tard. Pour l'instant, je vais juste répondre à la question sur la personnalité appropriée.
Je ne trouve pas non plus d'option de sur-dispersion dans la régression généralisée, mais j'étais pressé. Il est disponible dans la personnalité Modèles linéaires généralisés :
Notez les sélections dans le coin supérieur gauche de la boîte de dialogue.
Les résultats de l'exécution du modèle incluent des informations sur la nécessité d'une surdispersion (test) et l'estimation du paramètre :
Le carré de Pearson Chi dans le rapport Goodness of Fit est le test et l'estimation du paramètre est à l'extrême droite.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Merci pour la réponse Marc.
Plus on en parle, plus je pense qu'un Poisson avec un paramètre de surdispersion serait le modèle approprié.Je ne considérerais pas ma réponse comme un procès Bernoulli. Je ne suis pas concerné par le succès/l'échec (c'est-à-dire les œufs/pas d'œufs) mais par le nombre d'œufs dans chaque traitement. Comment procéder pour ajouter un paramètre de surdispersion à un modèle de Poisson dans JMP ? Je ne vois pas d'option dans la personnalité de régression généralisée. Serait-ce quelque part dans la personnalité du modèle linéaire généralisé ?
Merci pour la précision sur le domaine d'opportunité. La zone d'opportunité est constante tout au long de l'étude. Les récifs ont tous la même taille avec le même nombre de nids. Tous les nids ont également la même taille.
Ma conception expérimentale incorporait des blocs pour faire face à l'hétérogénéité spatiale de l'environnement. Des blocs ont été mis en place au cours de la partie manipulation sur le terrain de l'étude; ils ne sont pas quelque chose que je peux ajouter à ce stade (bien que je puisse les supprimer de mes analyses bien sûr). Un bloc contient un seul réplicat de chaque traitement. J'ai 10 traitements différents (c.-à-d. sex-ratios); chaque récif a un seul traitement/sex ratio. Chaque bloc comporte 10 récifs (soit 10 traitements). J'ai 2 blocs et 20 récifs au total. Si vous regardez les tracés, vous pouvez voir qu'à chaque sex-ratio différent, il y a un récif du bloc 1 et un récif du bloc 2.
Vous avez raison de dire qu'une interaction significative entre mon prédicteur principal et mes blocs signifie qu'il y a une variable cachée à l'œuvre... et nous ne savons pas nécessairement de quoi il s'agit.Je dirais que les manipulations sur le terrain en écologie marine sont notoirement bruyantes. Le blocage est une façon dont nous essayons de minimiser ce bruit.
J'espère que cela commencera à éclaircir les choses. Merci beaucoup. Appréciez-le.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Un modèle de distribution binomiale négative est, en fait, utile lorsqu'il y a sur-dispersion, mais chaque modèle a un objectif et un ensemble d'hypothèses. Un essai de Bernoulli a deux résultats et vous devez observer les deux résultats. Si vous considérez un œuf comme un succès, alors comment comptez-vous l'échec (non-œuf) ?
Vous pouvez utiliser un modèle de distribution de Poisson avec un paramètre de surdispersion, afin de ne pas perdre la flexibilité du modèle de distribution binomiale négative. Vous bénéficiez d'un modèle avec des hypothèses qui correspondent à votre situation.
Le domaine d'opportunité est un concept central de la processus de comptage . Par exemple, je pourrais compter le nombre d'accidents par semaine sur une autoroute spécifique, auquel cas une semaine est le domaine d'opportunité. Je pourrais compter le nombre d'infections à Staphylococcus pour 100 lits d'hôpitaux dans le service de chirurgie, auquel cas 100 lits sont le domaine d'opportunité. Ce sont des exemples où la zone d'opportunité reste constante pendant que je modélise le nombre ou teste les changements. D'autre part, si je comptais le nombre d'accidents sur de nombreuses autoroutes différentes (différentes longueurs, différents types de trafic et charges de trafic) ou si je comptais le nombre d'infections à Staphylococcus survenant dans de nombreux hôpitaux différents (différents nombres de lits, différents services et spécialités), alors le domaine d'opportunité pour chaque chef varie. Je dois mesurer la zone d'opportunité et l'ajouter au modèle linéaire logarithmique de Poisson en tant que décalage logarithmique. Vous dites que vous comptez les œufs par récif. Chaque récif inclus dans l'étude offre-t-il le même domaine d'opportunité ? Si non, comment déterminez-vous leurs différents domaines d'opportunité ?
Je ne comprends toujours pas ce que vous entendez par un bloc . Est-ce simplement une réplique de l'ensemble du design ? Si c'est le cas, alors un effet d'interaction signifie vraiment qu'il y a un variable cachée ou facteur caché au travail, pas seulement un effet aléatoire (variance de répétition).Comment puis-je obtenir un autre bloc ou créer un autre bloc dans votre situation ? Je suppose que par "hétérogénéité spatiale", vous faites référence aux différences entre les récifs. Mais n'est-ce pas juste votre erreur aléatoire (erreur d'échantillonnage) ? Si tel est le cas, vous ne devez pas le modéliser comme un effet fixe (interaction).
Après avoir trié certains de ces détails, nous pouvons discuter des intrigues.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?
Tu as raison. Je pense que je supposais que la réponse moyenne serait basée sur mes valeurs observées plutôt que sur mes valeurs prédites (malgré la sauvegarde de mon " Prédiction forum". Doh). Avec le recul, je vois pourquoi j'obtiens des valeurs constantes lorsque ma réponse est l'interception. La grande majorité de mon travail jusqu'à présent a porté sur des distributions normales et je suppose que j'essayais d'utiliser les valeurs prédites pour ajuster au mieux une ligne à mes valeurs observées (similaire à une régression linéaire). Je suis sûr que je continue à mal interpréter beaucoup de choses, mais je commence à comprendre pourquoi j'ai des problèmes.
Ma réponse est en effet le nombre total (d'œufs). Alors que j'avais initialement utilisé un modèle de Poisson auparavant, les gens avaient recommandé d'utiliser une distribution binomiale négative car il semble que j'ai affaire à une surdispersion. Je ne dirais pas nécessairement que j'ai une définition du succès ou de l'échec dans mon modèle. A moins que la présence d'oeufs ait été considérée comme une "réussite" même si finalement ce n'est pas vraiment ce qui m'intéresse. Donc, je suis sûr que vous avez raison de dire que je devrais probablement utiliser une distribution de Poisson. Est-il possible d'appliquer un paramètre de surdispersion à un modèle de Poisson dans JMP ? Pourriez-vous clarifier ce que vous entendez par "domaine d'opportunité".
Un bloc dans ma situation contient une seule réplique de tous mes traitements (randomisés) dans le but de gérer l'hétérogénéité spatiale. Malheureusement, je n'avais que deux blocs dans mon modèle (j'étais limité par l'espace et le financement).
Les parcelles A à E de mon panneau représentent les 5 mesures différentes que j'examine : le nombre total d'œufs (par récif), les femelles par habitant, les mâles par habitant, la production d'œufs par nid et la production d'œufs par couvée. Essentiellement, ce sont toutes des façons différentes d'envisager le rendement reproducteur de mon espèce. Les parcelles avec une ligne de tendance sont significatives. Les parcelles A, D et E avaient toutes une interaction significative (sex ratio * bloc ; la proportion d'hommes et le sex ratio sont utilisés de manière interchangeable dans mon étude) mais rien d'autre après la sélection. Seul le sex-ratio était significatif pour le lot C. L'échelle de la réponse diffère, mais dans les 5 parcelles, c'est le nombre d'œufs.
Vraiment vraiment appréciez toutes vos contributions jusqu'à présent, Mark. Vos réponses ont éclairci un parcelle des choses pour moi. Merci!
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Il ne s'agit pas d'une limitation de la régression généralisée dans JMP. Le tracé montre le graphique de la fonction que vous avez utilisée comme modèle pour le réponse moyenne . Cela ressemble généralement à ceci en l'absence de facteurs significatifs : Oui = B . B est le terme constant, ou intercepter . Pourquoi vous attendriez-vous à ce que la moyenne prédite affiche une tendance alors que la prédiction est toujours B ?
Je vois que ta réponse est décompte total . Le modèle de distribution binomiale négative s'applique généralement à une série de Essais de Bernoulli . Il modélise le nombre de succès dans une séquence d'essais de Bernoulli indépendants et distribués de manière identique avant un nombre spécifié (non aléatoire) de les échecs se produit. Quelle est la définition d'un succès et d'un échec dans votre situation ? Les données de comptage sont généralement mieux modélisées avec une distribution de Poisson, qui a des hypothèses appropriées. Ce modèle à paramètre unique peut être augmenté d'un paramètre de surdispersion et vous pouvez inclure un décalage logarithmique si votre zone d'opportunité n'est pas constante.
Quelle est la définition d'un blocage dans votre situation ? Combien de blocs se sont produits dans votre étude ?
Quelle est la signification de un à travers e dans la série de parcelles?
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Salut Mark,
Merci pour la réponse. J'utilise des modèles de réponse moyenne. Un ensemble de données est exécuté comme un modèle binomial négatif gonflé à zéro et l'autre ensemble de données est exécuté comme un modèle binomial négatif.
Pardonnez mon ignorance (je ne suis pas aussi familier avec les binômes négatifs et l'outil de régression généralisée dans JMP que j'aimerais l'être) mais pourquoi le modèle de la réponse moyenne ne fournit-il qu'une constante pour les valeurs prédites alors qu'il n'y en a pas des facteurs significatifs ? Même si un modèle n'est pas significatif, il pourrait toujours y avoir une tendance, ce qui m'intéresserait certainement. S'agit-il d'une limitation de l'outil de régression généralisée dans JMP ?
L'utilisation de la fonction "Enregistrer la formule de prédiction" a principalement été la façon dont j'ai représenté graphiquement mes modèles. C'est là que j'ai vu ces constantes pour mes valeurs prédites dans des modèles non significatifs.
Un aperçu rapide de ma conception est un prédicteur continu (sex ratio) avec un facteur de blocage. J'examine l'impact de mon prédicteur sur le rendement reproducteur d'une espèce de poisson. Lorsque j'exécute mon modèle, j'utilise le sex-ratio, le facteur de blocage et l'interaction entre les deux. De plus, j'ai inclus la taille moyenne des individus mâles et femelles sur mes récifs (mes répliques) comme covariables. J'ai utilisé Forward Selection et AICc pour l'ajustement du modèle.
J'ai inclus un exemple des sorties d'un de mes modèles (ce modèle particulier examine la production totale sur des récifs individuels). J'ai également inclus un panel de mes résultats pour ce modèle particulier; la figure A est le panneau qui se rapporte à cette analyse. Les chiffres ont été réalisés dans SigmaPlot mais ont été réalisés en utilisant les valeurs prédites de mes analyses JMP.
Je comprends parfaitement l'argument de ne pas modéliser les interactions avec les facteurs bloquants. Pour une raison quelconque cependant, dans mon domaine (l'écologie marine), c'est très courant, donc ce serait inhabituel si je ne le faisais pas.
Merci pour la réponse Mark et toute aide est grandement appréciée. Faites-moi savoir si vous souhaitez voir plus de résultats et / ou des éclaircissements.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Quels modèles ? S'agit-il de modèles de distribution, tels qu'utilisés par Life Distribution ? S'agit-il de modèles de réponse moyenne, tels qu'utilisés par la régression généralisée ?
Vous voulez les tracer ? Enregistrez le modèle en tant que formule de colonne, puis utilisez le Générateur de graphiques. Il tracera le graphique d'une fonction.
Le modèle de la réponse moyenne sera une constante s'il n'y a pas de variables/facteurs/prédicteurs/caractéristiques indépendants significatifs (interception uniquement).
Si vous avez un effet d'interaction, alors, par définition, l'effet d'un facteur (par exemple, bloc) dépend du niveau d'un autre facteur (par exemple, facteur continu). (Au fait, êtes-vous sûr de vouloir modéliser une telle interaction ? Généralement, nous ne modélisons pas les interactions avec les facteurs bloquants pour des raisons philosophiques et réalistes.)
Pouvez-vous partager la conception, les données et les résultats sur lesquels vous posez des questions ? J'ai une imagination débordante, mais ce n'est pas si bon.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?N'importe qui? Désolé pour les réponses incessantes. Beaucoup de mes analyses pour ma thèse en dépendent.
Re : Pourquoi mes valeurs prédites pour mon modèle (binôme négatif ZI) sont-elles toutes les mêmes ?Bosse.
