Questions marquées «beta-regression»

La régression bêta est utile lorsque la variable dépendante est bornée ou lorsqu'elle a un effet de plafond ou de plancher. Il peut également être utilisé pour modéliser à la fois la moyenne et la variance.

3
Pourquoi la régression bêta / dirichlet n'est pas considérée comme un modèle linéaire généralisé?
La prémisse est cette citation de la vignette du package R betareg1 . De plus, le modèle partage certaines propriétés (telles que le prédicteur linéaire, la fonction de lien, le paramètre de dispersion) avec les modèles linéaires généralisés (GLM; McCullagh et Nelder 1989), mais ce n'est pas un cas particulier …
2
Pourquoi exactement la régression bêta ne peut-elle pas traiter les 0 et les 1 dans la variable de réponse?
La régression bêta (c'est-à-dire GLM avec distribution bêta et généralement la fonction de lien logit) est souvent recommandée pour traiter la réponse aka variable dépendante prenant des valeurs comprises entre 0 et 1, telles que les fractions, les ratios ou les probabilités: régression pour un résultat (rapport ou fraction) entre …
2
Pourquoi utiliser le lien logit en régression bêta?
Récemment, je me suis intéressé à l'implémentation d'un modèle de régression bêta, pour un résultat proportionnel. Notez que ce résultat ne rentrerait pas dans un contexte binomial, car il n'y a pas de concept significatif de «succès» discret dans ce contexte. En fait, le résultat est en fait une proportion …
1
Intervalle de prédiction pour une future proportion de succès dans le cadre binomial
Supposons que j'adapte une régression binomiale et que j'obtienne les estimations ponctuelles et la matrice de variance-covariance des coefficients de régression. Cela me permettra d'obtenir un IC pour la proportion attendue de succès dans une future expérience, , mais j'ai besoin d'un IC pour la proportion observée. Il y a …
2
Bootstrap paramétrique, semi-paramétrique et non paramétrique pour les modèles mixtes
Les greffes suivantes sont extraites de cet article . Je suis novice dans le bootstrap et j'essaie d'implémenter le bootstrap paramétrique, semi-paramétrique et non paramétrique pour le modèle mixte linéaire avec le R bootpackage. Code R Voici mon Rcode: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + …
9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 
1
Quelle est la différence entre la régression bêta et la quasi glm avec variance = ?
Permettez-moi d'abord de donner quelques informations; Je résumerai mes questions à la fin. La distribution bêta, paramétrée par sa moyenne et , a , où est la fonction de variance.μμ\muϕϕ\phiVar(Y)=V(μ)/(ϕ+1)Var⁡(Y)=V⁡(μ)/(ϕ+1)\operatorname{Var}(Y) = \operatorname{V}(\mu)/(\phi+1)V(μ)=μ(1−μ)V⁡(μ)=μ(1−μ)\operatorname{V}(\mu) = \mu(1-\mu) Dans une régression bêta (par exemple, en utilisant le package betareg dans R), la régression suppose …
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.