タグ付けされた質問 「gee」

私はかなり長い間、縦断的データを使って混合効果モデルをかなり喜んで使用しています。AR関係をlmerに収めることができればいいのですが（これができないのは正しいと思いますか？）、それが絶対に重要であるとは思わないので、あまり心配しません。 一般的な推定方程式（GEE）に出会ったばかりで、MEモデルよりもはるかに柔軟性が高いようです。 過度に一般的な質問をする危険性がありますが、異なるタスクに対してどちらが良いかについてのアドバイスはありますか？それらを比較する論文を見たことがありますが、それらは次のような形式になりがちです。 「この非常に専門的な分野では、XにGEEを使用しないでください。YにMEモデルを使用しないでください」。 これ以上の一般的なアドバイスは見つかりませんでした。誰でも私を啓発できますか？ ありがとうございました！

63 mixed-model  gee 

混合GLMと非混合GLMの違いは何ですか？たとえば、SPSSでは、ユーザーがドロップダウンメニューを使用して次のいずれかに適合できます。 analyze-> generalized linear models-> generalized linear models ＆ analyze-> mixed models-> generalized linear 欠損値の扱いは異なりますか？ 私の従属変数はバイナリであり、いくつかのカテゴリ変数および連続独立変数があります。

34 mixed-model  generalized-linear-model  glmm  gee 

ロジットリンクを使用して、3レベルの不均衡データでGEEを実行しています。これは、混合効果（GLMM）とロジットリンクを備えたGLMと（描画できる結論と係数の意味に関して）どのように異なりますか？ 詳細：観察は単一ベルヌーイ試験です。それらは教室と学校にクラスター化されます。Rの使用。NAのケースワイズ省略。6予測子も相互作用項。 （私は子供たちがヘッズアップで着地するかどうかを確認するためにひっくり返していません。） 係数をオッズ比に累乗する傾向があります。これは両方で同じ意味を持っていますか？ GEEモデルの「限界的手段」について、私の心の奥に何かが潜んでいます。私にそのビットを説明する必要があります。 ありがとう。

27 logistic  mixed-model  generalized-linear-model  interpretation  gee 

私は、コホート研究を適切に分析するためにGEEを理解しようとする疫学者です（ログリンクでポアソン回帰を使用して、相対リスクを推定します）。「作業相関」についていくつかの質問がありますので、もっと知識のある人に明確にしてもらいたいです。 （1）同じ個人で測定を繰り返した場合、通常、交換可能な構造を想定するのが最も合理的ですか？（または、測定値が傾向を示す場合は自己回帰）？独立性についてはどうですか？同じ個人の測定値について独立性を仮定できるケースはありますか？ （2）データを調べて適切な構造を評価する（合理的に単純な）方法はありますか？ （3）独立構造を選択するとき、単純なポアソン回帰（R、関数glm()、およびgeeglm()パッケージを使用）を実行するときと同じポイント推定値（ただし標準誤差は低い）が得られることに気付きましたgeepack。なぜこうなった？GEEでは、母集団平均モデルを推定する（対象固有とは対照的に）ので、線形回帰の場合にのみ同じポイント推定値を取得する必要があることを理解しています。 （4）コホートが複数のロケーションサイトにある場合（ただし、個人ごとに1つの測定）、独立性または交換可能な作業相関を選択する必要がありますか？つまり、各サイトの個人はまだ互いに独立しているということですか?? したがって、たとえば、被験者固有のモデルの場合、サイトをランダム効果として指定します。しかし、GEEの場合、独立性と交換可能性は異なる推定値を与えるため、基礎となる仮定の点でどちらが優れているかはわかりません。 （5）GEEは、2レベルの階層的クラスタリング、つまり、個人ごとに繰り返し測定されるマルチサイトコホートを処理できますか？はいの場合geeglm()、第1レベル（サイト）が「独立」で、第2レベル（個人）が「交換可能」または「自己回帰」であると想定する場合、クラスタリング変数として何を指定し、作業相関を何に指定する必要がありますか？ これらはかなりの数の質問であり、それらのいくつかはかなり基本的なものであると理解していますが、それでも私（および他の初心者？）が把握するのは非常に困難です。それで、どんな助けも大いにそして心から感謝します、そして、これを示すために、私は賞金を始めました。

19 gee 

周辺モデルと変量効果モデル、およびそれらの間の選択方法に関する情報を検索すると、いくつかの情報が見つかりましたが、それは多かれ少なかれ数学的な抽象的な説明でした（例：https：//stats.stackexchange .com / a / 68753/38080）。どこかで、これら2つのメソッド/モデル（http://www.biomedcentral.com/1471-2288/2/15/）の間のパラメーター推定値の間に実質的な違いが観察されたことがわかりましたが、その反対はZuur et alによって書かれました。（2009、p。116; http://link.springer.com/book/10.1007%2F978-0-387-87458-6）。マージナルモデル（一般化推定方程式アプローチ）は母集団平均パラメーターをもたらしますが、ランダム効果モデル（一般化線形混合モデル）からの出力はランダム効果を考慮します–主題（Verbeke et al。2010、pp。49–52; http：/ /link.springer.com/chapter/10.1007/0-387-28980-1_16）。 非統計学者や非数学者に馴染みのある言語で、いくつかのモデル（実生活）の例に示されているこれらのモデルの素人のような説明を見せてください。 詳しく知りたいのですが： 周辺モデルを使用する必要がある場合と、変量効果モデルを使用する必要がある場合 これらのモデルはどの科学的質問に適していますか？ これらのモデルからの出力はどのように解釈されるべきですか？

11 mixed-model  random-effects-model  glmm  gee  marginal-model 

共変量として被験者と時間を含むバイナリ応答変数を使用したGLMモデル（ロジスティック回帰）と、複数の時点での測定値間の相関を考慮した類似のGEEモデルとの違いは何ですか？ 私のGLMは次のようになります。 Y(binary) ~ A + B1X1(subject id) + B2X2(time) + B3X3(interesting continuous covariate) ロジットリンク機能付き。 私は、2つのモデルで時間をどのようにどのように処理するか、および解釈にどのような影響があるかについての簡単な（社会科学者向け）説明を探しています。

9 generalized-linear-model  gee 

2つの一般化推定方程式（GEE）モデルを自分のデータに当てはめました。 1）モデル1：結果は縦方向のYes / No変数（A）（1、2、3、4、5年）であり、1、2、3、4、5年の縦方向の連続予測子（B）があります。 2）モデル2：結果は同じ長期的はい/いいえ変数（A）ですが、予測子は1年目の値に固定されています（つまり、時間不変に強制されています（B））。 さまざまなケースのいくつかの時点で縦方向予測子の測定値が欠落しているため、モデル2のデータポイントの数はモデル1よりも多くなります。 2つのモデルのオッズ比、p値、フィットを有効に比較できる方法について知りたいです。例： 予測子BのORがモデル1でより大きい場合、AとBの関連付けがモデル1でより強いと正当に言えますか？ どちらが自分のデータにより適したモデルであるかをどのように評価できますか？観測数が同じでない場合、QIC / AIC疑似R二乗をモデル間で比較してはならないと私は考えていますか？ どんな助けでも大歓迎です。

9 logistic  gee 

私のデータセットには、x量の測定値を持つ5つの（通常の）グループがあります。等分散性に違反しているため、グループ間に統計的差異があるかどうかを確認するためにフリードマンカイ2乗検定を実行しました。 fried = stats.friedmanchisquare(*[grp for idx, grp in df.iteritems()])) これは統計的な差を返しましたが、次に、どのグループ間に差が存在するのかを調べたいと思います。これRには素晴らしい解決策があります（フリードマンのテストと事後分析、https：//www.r-statistics.com/2010/02/post-hoc-analysis-for-friedmans-test-r-code/） 、Wilcoxon-Nemenyi-McDonald-Thompsonテストを使用していますが、Python用のテストを見つけることができません。 フリードマン検定の事後分析を行う可能性はありますか？別の方法として、グループ間の比較を可能にするフリードマン検定（たとえば、一般化された推定方程式）の良い代替手段は何でしょうか。

9 python  nonparametric  post-hoc  gee  friedman-test 

実験中に3回評価された10人の参加者の2つのグループがあります。グループ間および3つの評価全体の違いをテストするために、group（コントロール、実験）、time（最初、2、3）、およびを使用して2x3混合設計ANOVAを実行しましたgroup x time。両方timeとgroup有意な相互作用があったほか、重大な結果group x time。 グループメンバーシップに関しても、3回の評価の違いをさらにチェックする方法をよく知りません。実際、最初は、ANOVAのオプションで、ボンフェローニの補正を使用してすべての主要な効果を比較することだけを指定しました。しかし、この方法で、グループを区別せずに、サンプル全体の時間の違いをこのように比較したことに気付きましたね。 したがって、可能な解決策を見つけるためにインターネットでたくさん検索しましたが、結果はほとんどありませんでした。私と同じようなケースは2つしか見つかりませんでしたが、解決策は逆です！ 記事では、混合設計の後、著者らは被験者ごとに1つずつ、2回の反復測定ANOVAを事後的に実行しました。このようにして、2つのグループは修正なしで個別に分析されます。 インターネットのガイドでは、混合ANOVAの実行中に、SPSS構文のCOMPARE(time) ADJ(BONFERRONI)直後にを手動で追加すると述べています/EMMEANS=TABLES(newgroup*time)。このように、3つの時間はグループごとに個別に比較されます。ボンフェローニ補正を使用すると、私は正しいのでしょうか。 どう思いますか？どちらが正しい方法でしょうか？

8 anova  mixed-model  spss  post-hoc  bonferroni  time-series  unevenly-spaced-time-series  classification  normal-distribution  discriminant-analysis  probability  normal-distribution  estimation  sampling  classification  svm  terminology  pivot-table  random-generation  self-study  estimation  sampling  estimation  categorical-data  maximum-likelihood  excel  least-squares  instrumental-variables  2sls  total-least-squares  correlation  self-study  variance  unbiased-estimator  bayesian  mixed-model  ancova  statistical-significance  references  p-value  fishers-exact  probability  monte-carlo  particle-filter  logistic  predictive-models  modeling  interaction  survey  hypothesis-testing  multiple-regression  regression  variance  data-transformation  residuals  minitab  r  time-series  forecasting  arima  garch  correlation  estimation  least-squares  bias  pca  predictive-models  genetics  sem  partial-least-squares  nonparametric  ordinal-data  wilcoxon-mann-whitney  bonferroni  wilcoxon-signed-rank  traminer  regression  econometrics  standard-error  robust  misspecification  r  probability  logistic  generalized-linear-model  r-squared  effect-size  gee  ordered-logit  bayesian  classification  svm  kernel-trick  nonlinear  bayesian  pca  dimensionality-reduction  eigenvalues  probability  distributions  mathematical-statistics  estimation  nonparametric  kernel-smoothing  expected-value  filter  mse  time-series  correlation  data-visualization  clustering  estimation  predictive-models  recommender-system  sparse  hypothesis-testing  data-transformation  parametric  probability  summations  correlation  pearson-r  spearman-rho  bayesian  replicability  dimensionality-reduction  discriminant-analysis  outliers  weka