ゼロ インフレート ポアソン モデルのパラメーター化JMP コミュニティの皆様、こんにちは。
予測されるカウント変数 (Y)、3 つの数値変数 (X1、X2、X3)、および 1 つのカテゴリ変数 (X4) を独立変数として持つデータセットがあります。
R と JMP の両方で、ゼロ膨張ポアソン モデルをデータに適合させました (適合モデル > 一般化回帰から)。 しかし、結果は同じではありませんでした。 なぜ違うのですか？ 目に見えない仮定があるかもしれないと思います。 最適化方法や反復回数などのいくつかの仮定を意味します。JMPでZero inflated Poissonモデルの基礎となる仮定を確認するにはどうすればよいですか?
さまざまな変数について、R と JMP のさまざまな ZIP モデルを比較しました。 結果は常に同じで、モデルにそのカテゴリ変数 (X4) を含めた場合にのみ異なります。
Re: ゼロ膨張ポアソン モデルの仮定やあ、
JMPは、カテゴリ変数の係数を推定する際に、カテゴリを対照するために別のコーディング方法を使用している可能性があります。 カテゴリが 2 つしかない場合、変数に序数モデリング オプションを使用すると、他のプログラムが通常 0 と 1 でダミー変数を推定するのと同じ結果が得られます。
Re: ゼロ膨張ポアソン モデルの仮定「うるさい」と思われたくないのですが、私たちは特定の意味を持つ用語を使用しています。 モデルとか関係ないと思う仮定、しかし、それはモデルと関係があるかもしれませんパラメータ化、特にカテゴリカル予測子。 あなたが使用しているRオブジェクトでモデルパラメータが推定のためにどのように表現されているかわかりません。 JMP がどのようにカテゴリ予測子をパラメータ化するかは知っています。
ここは、JMP 12 のカテゴリ因子の JMP パラメーター化を発見する場所です。 (JMP 13 のパラメータ化は同じですが、ドキュメント内の場所が変わります!)
選択するヘルプ>書籍>線形モデルの適合>付録 A: 統計の詳細>因子モデル. このセクションでは、名義予測子レベルと順序予測子レベルの両方のコーディングについて説明します。 の効果のコーディングJMP で使用されるコーディングは、PROC GLM などの一部の SAS プロシジャで使用されるコーディングとは異なります。 R オブジェクトで使用されているコーディングとは異なる場合があります。
この情報が、あなたが観察した相違点を解決するのに役立つことを願っています。
Re: ゼロ膨張ポアソン モデルの仮定返信ありがとうございます。
JMP Pro 12.0.1 を使用しています。 R と JMP の両方で、最尤法と検証なしを使用しました。
また、ゼロ膨張モデルだけではないことがわかりました。 一般線形モデル (ポアソン) をデータに当てはめると、R と JMP で異なる結果が得られます。 ここでも、カテゴリ変数を取り出すと、モデルは同じです。 カテゴリデータについていくつかの仮定がある可能性はありますか?
Re: ゼロ膨張ポアソン モデルの仮定使用している JMP Pro のバージョンは何ですか? アルゴリズムは時間の経過とともに改善されます。
一般化回帰のどの推定方法を使用しましたか? たとえば、ラッソ、ダブル ラッソ、リッジ回帰、エラスティック ネットでは、異なる結果が生成されます。
フィッティングにはどのようなオプションを使用しましたか? 適応バージョンでは、異なる結果が生成されます。
どの検証方法を使用しましたか? オブザベーションを異なるホールドアウト セットにランダムに割り当てると、データを近似するたびに異なる結果が生成されます。
