タグ付けされた質問 「multilevel-analysis」

CVの質問 混合効果モデルの詳細かつ簡潔な数学的表現を提供しようとしています。lme4Rでパッケージを使用しています。モデルの正しい数学表現は何ですか？ データ、科学の質問、Rコード 私のデータセットは、さまざまな地域の種で構成されています。私は、絶滅に至るまでに種の有病率が変化するかどうかをテストしています（絶滅は必ずしも永続的ではなく、再植民地化する可能性があります）、または植民地化の後です。 lmer(prevalence ~ time + time:type + (1 + time + type:time | reg) + (1 + time + type:time | reg:spp)) 有病率は、地域の年間に種が占める層の割合です 時間は、絶滅または植民地化までの時間を示す連続変数です。それは常にポジティブです タイプは、2つのレベルを持つカテゴリ変数です。これらの2つのレベルは「-」と「+」です。タイプが-の場合、植民地化（デフォルトレベル）です。タイプが+の場合、それは絶滅です。 Regは、地域を示す9つのレベルを持つカテゴリ変数です Sppはカテゴリ変数です。レベルの数は地域によって異なり、48レベルから144レベルの間で異なります。 言葉で言えば、応答変数は有病率です（占有されている階層の割合）。固定効果には、1）およびインターセプト、2）イベントからの時間、3）イベントまでの時間とイベントのタイプ（コロニー化または消滅）の相互作用が含まれます。これらの3つの固定効果は、地域ごとにランダムに変化しました。領域内では、各効果は種間でランダムに変化しました。 モデルの数学方程式を書く方法を見つけようとしています。Rコードで何が起こっているかを理解していると思います（ただし、ある程度の知識のギャップがあるはずです。正式な数式を書き出すことで理解が深まることを願っています）。 私はウェブとこれらのフォーラムをかなり検索しました。確かにたくさんの有用な情報を見つけました（そして、この質問の編集でこれらのいくつかにリンクするかもしれません）。ただし、Rコードの「Rosetta Stone」が数学に変換されていること（コードに慣れていること）は、これらの方程式が正しいことを確認するのに非常に役立ちます。実際、すでにいくつかのギャップがあることは知っていますが、それについては説明します。 私の試み 行列表記において混合効果モデルの基本的な形態は、（私の理解に）である：Y=Xβ+Zγ+ϵY=Xβ+Zγ+ϵ Y = X \beta + Z \gamma + \epsilon βX=⎡⎣⎢⎢1⋮1Δt⋮ΔtnΔt+⋮Δt+,n⎤⎦⎥⎥X=[1ΔtΔt+⋮⋮⋮1ΔtnΔt+,n] X = \begin{bmatrix} 1 …

15 r  mixed-model  multilevel-analysis  lme4-nlme 

caretR のパッケージを介して勾配ブースティングマシンアルゴリズムを試しています。 小さな大学入学データセットを使用して、次のコードを実行しました。 library(caret) ### Load admissions dataset. ### mydata <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv") ### Create yes/no levels for admission. ### mydata$admit_factor[mydata$admit==0] <- "no" mydata$admit_factor[mydata$admit==1] <- "yes" ### Gradient boosting machine algorithm. ### set.seed(123) fitControl <- trainControl(method = 'cv', number = 5, summaryFunction=defaultSummary) grid <- expand.grid(n.trees = seq(5000,1000000,5000), interaction.depth = 2, shrinkage …

15 machine-learning  caret  boosting  gbm  hypothesis-testing  t-test  panel-data  psychometrics  intraclass-correlation  generalized-linear-model  categorical-data  binomial  model  intercept  causality  cross-correlation  distributions  ranks  p-value  z-test  sign-test  time-series  references  terminology  cross-correlation  definition  probability  distributions  beta-distribution  inverse-gamma  missing-data  paired-comparisons  paired-data  clustered-standard-errors  cluster-sample  time-series  arima  logistic  binary-data  odds-ratio  medicine  hypothesis-testing  wilcoxon-mann-whitney  unsupervised-learning  hierarchical-clustering  neural-networks  train  clustering  k-means  regression  ordinal-data  change-scores  machine-learning  experiment-design  roc  precision-recall  auc  stata  multilevel-analysis  regression  fitting  nonlinear  jmp  r  data-visualization  gam  gamm4  r  lme4-nlme  many-categories  regression  causality  instrumental-variables  endogeneity  controlling-for-a-variable 

レビュアーから、ベイジアンマルチレベルモデルのモデル推定値をよりよく理解するためにp値を提供するように依頼されました。このモデルは、実験の参加者ごとに複数の観測を行う典型的なモデルです。Stanを使用してモデルを推定したため、追加の事後統計を簡単に計算できます。現在、平均推定値と0.025および0.975分位数を（視覚的におよび表で）報告しています。 これまでの私の回答は次のとおりです。 P値は、ベイジアンモデルと矛盾します。つまり、P（X| θ）≠P（θ | X）。P（バツ|θ）≠P（θ|バツ）。P(X|\theta) \neq P(\theta|X). 事後分析に基づいて、パラメーターが0よりも大きい（小さい）確率を計算できます。これは、従来のp値に少し似ています。 私の質問は、これがレビュアーを満足させることができる応答なのか、それとも混乱を引き起こすだけなのかということです。 10月10日更新：回答のアドバイスを念頭に置いて論文を書き直しました。論文は受け入れられているので、これは本当に有益なアドバイスであったという以前のコメントを繰り返します！

15 bayesian  p-value  multilevel-analysis 

パネルデータ分析では、ランダム/混合効果を備えたマルチレベルモデルを使用して、自己相関問題（つまり、観測が時間の経過とともに個人内でクラスター化される）を追加し、他のパラメーターを追加して、時間とショックの特定の仕様を調整しました。ARMA / ARIMAは、同様の問題に対処するように設計されているようです。 私がオンラインで見つけたリソースでは、時系列（ARMA / ARIMA）または混合効果モデルのいずれかについて説明していますが、回帰に基づいて構築することを超えて、2つの関係を理解し​​ていません。マルチレベルモデル内からARMA / ARIMAを使用したい場合がありますか？2つが同等または冗長であるという意味はありますか？ これについて議論するリソースへの回答またはポインタは素晴らしいでしょう。

14 time-series  mixed-model  arima  multilevel-analysis 

私は機械学習やCART技術などは初めてであり、私の素朴さがあまり明白ではないことを願っています。 ランダムフォレストは、マルチレベル/階層データ構造をどのように処理しますか（たとえば、クロスレベルの相互作用が重要な場合）。 つまり、いくつかの階層レベルでの分析の単位を含むデータセット（たとえば、学生と学校の両方に関するデータを含む、学校内にネストされた学生）。 単なる例として、第1レベルの個人（たとえば、投票行動、人口統計などのデータ）が第2レベル（国レベルのデータ、たとえば人口）の国にネストされたマルチレベルデータセットを考えます。 ID voted age female country population 1 1 19 1 1 53.01 2 1 23 0 1 53.01 3 0 43 1 1 53.01 4 1 27 1 1 53.01 5 0 67 0 1 53.01 6 1 34 1 2 47.54 7 0 54 1 …

13 machine-learning  random-forest  multilevel-analysis  cart 

現在、クルシュケの優れた「Doing Bayesian Data Analysis」本を読んでいます。ただし、階層ロジスティック回帰の章（第20章）はやや混乱を招きます。 図20.2は、ベルヌーイパラメーターがシグモイド関数で変換された係数の線形関数として定義されている階層ロジスティック回帰を示しています。これは、他のオンラインソースでも見たほとんどの例で、階層ロジスティック回帰が行われる方法のようです。たとえば、http：//polisci2.ucsd.edu/cfariss/code/SIMlogit02.bug ただし、予測子が名義の場合、階層にレイヤーを追加します。ベルヌーイパラメーターは、muおよびkappaによって決定されるパラメーターを持つベータ分布（図20.5）から描画されます。ここで、muは係数の線形関数のS字変換です、およびkappaはガンマ事前分布を使用します。 これは合理的で、第9章のコインフリッピングの例に似ていますが、名目予測子がベータ分布の追加とどう関係するのかわかりません。メトリック予測変数の場合にこれを行わないのはなぜですか。また、公称予測変数にベータ分布が追加されたのはなぜですか 編集：私が言及しているモデルの明確化。まず、メトリック予測子を使用したロジスティック回帰モデル（ベータ事前なし）。これは、上記のバグの例など、階層ロジスティック回帰の他の例に似ています。 yi∼Bernoulli(μi)μi=sig(β0+∑jβjxji)β0∼N(M0,T0)βj∼N(Mβ,Tβ)yi∼Bernoulli⁡(μi)μi=sig⁡(β0+∑jβjxji)β0∼N(M0,T0)βj∼N(Mβ,Tβ) y_i \sim \operatorname{Bernoulli}(\mu_i) \\ \mu_i = \operatorname{sig}(\beta_0 + \sum_j \beta_j x_{ji} ) \\ \beta_0 \sim N(M_0, T_0) \\ \beta_j \sim N(M_\beta, T_\beta) \\ 次に、名目上の予測子を使用した例。ここで、階層の「下位」レベルの役割（ロジスティックな結果を2項式の前にベータに組み込む）の役割と、メトリックの例とは異なる理由をよく理解できません。 z私〜ビン（θ私、N）θ私〜ベータ（ aj、 bj）aj= μjκbj= （1 − μj） κκ 〜Γ （ Sκ、 Rκ）μj= sig（ β0+∑jβjバツj i）β0〜N（M0、T0）βj〜N（0 、τβ）τβ=1/σ2βσ2β∼folded t(Tt,DF)zi∼Bin⁡(θi,N)θi∼Beta⁡(aj,bj)aj=μjκbj=(1−μj)κκ∼Γ(Sκ,Rκ)μj=sig⁡(β0+∑jβjxji)β0∼N(M0,T0)βj∼N(0,τβ)τβ=1/σβ2σβ2∼folded …

13 regression  bayesian  logistic  multilevel-analysis 

非常に大きなデータセットがあり、約5％のランダムな値が欠落しています。これらの変数は互いに相関しています。次のRデータセットの例は、ダミーの相関データを使用した単なるおもちゃの例です。 set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", 1:10000, sep ="") rownames(xmat) <- paste("sample", 1:200, sep = "") #M variables are correlated N <- 2000000*0.05 # 5% random missing values inds <- round ( runif(N, 1, length(xmat)) …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

統計用語の虐殺について謝罪してください:)ここで、広告とクリックスルー率に関連するいくつかの質問を見つけました。しかし、それらのどれも私の階層的状況の私の理解で私をあまり助けませんでした。 関連する質問があります。これらの同等の表現は、同じ階層型ベイジアンモデルですか？、しかし、実際に同様の問題があるかどうかはわかりません。別の質問階層ベイジアン二項モデルの事前分布事前は、ハイパープライアについて詳しく説明しますが、それらの解を自分の問題にマッピングすることはできません 新製品のオンライン広告がいくつかあります。広告を数日間掲載しました。その時点で、広告をクリックして十分な人がクリックを獲得している広告を確認しました。クリック数が最も多いものを除いてすべてを追い出した後、広告をクリックしてから実際にどのくらいの人が購入したかを確認するために、さらに数日間実行します。その時点で、そもそも広告を掲載するのが良いアイデアであったかどうかがわかります。 私は毎日数個のアイテムしか売っていないので、私は多くのデータを持っていないので、私の統計はとてもうるさいです。したがって、広告を見た後に何人の人が何かを購入するかを推定することは本当に困難です。150回のクリックごとに約1つだけが購入につながります。 一般的に言って、広告グループごとの統計をすべての広告のグローバル統計で何らかの方法で平滑化することにより、各広告でできるだけ早くお金を失うかどうかを知る必要があります。 すべての広告が十分な購入数に達するまで待つと、時間がかかりすぎるため、壊れてしまいます。10個の広告をテストするため、各広告の統計情報が十分に信頼できるように10倍のお金を費やす必要があります。その時までに私はお金を失ったかもしれません。 すべての広告を平均して購入すると、うまく機能していない広告を追い出すことはできません。 グローバル購入率（ N $サブ分布を使用できますか？つまり、各広告のデータが多いほど、その広告の統計情報はより独立したものになります。まだ誰も広告をクリックしていない場合、世界平均が適切であると思います。perclick)anduseitasapriorforperclick)anduseitasapriorfor per click) and use it as a prior for そのためにどのディストリビューションを選択しますか？ Aで20回、Bで4回クリックした場合、どのようにモデル化できますか？ここまでで、二項分布またはポアソン分布がここで意味をなすかもしれないことがわかりました。 purchase_rate ~ poisson （？） (purchase_rate | group A) ~ poisson （グループAのみの購入率を推定しますか？） しかし、実際にを計算するには、次に何をしますかpurchase_rate | group A。グループA（または他のグループ）にとって意味のある2つのディストリビューションをプラグインするにはどうすればよいですか。 最初にモデルを適合させる必要がありますか？モデルを「トレーニング」するために使用できるデータがあります。 広告A：352回のクリック、5回の購入 広告B：15回のクリック、0回の購入 広告C：3519回のクリック、130回の購入 いずれかのグループの確率を推定する方法を探しています。グループに含まれるデータポイントが数個しかない場合、基本的に世界平均にフォールバックしたいと思います。私はベイジアン統計について少し知っており、ベイジアン推論や共役事前分布などを使用してモデル化する方法を説明する多くの人々のPDFを読みました。これを適切に行う方法はあると思いますが、正しくモデル化する方法がわかりません。 ベイジアン的な方法で問題を定式化するのに役立つヒントにとても満足しています。これは、実際にこれを実装するために使用できる例をオンラインで見つけるのに大いに役立ちます。 更新： お返事ありがとうございます。私は自分の問題について少しずつ理解し始めています。ありがとうございました！問題をもう少しよく理解しているかどうかを確認するために、いくつか質問をさせてください。 私が想定して変換がベータ分布として配布されており、ベータ分布は、2つのパラメータを持っているaaaとと。bbb の 1212\frac{1}{2} 1212\frac{1}{2}パラメーターはハイパーパラメーターなので、前のパラメーターですか？最後に、ベータ分布のパラメーターとしてコンバージョン数とクリック数を設定しましたか？ ある時点で異なる広告を比較したいので、P(conversion|ad=X)=P(ad=X|conversion)∗P(conversion)P(ad=X)P(conversion|ad=X)=P(ad=X|conversion)∗P(conversion)P(ad=X)P(\mathrm{conversion} | …

12 bayesian  binomial  multilevel-analysis 

最近、マルチレベルモデリングの入門コースを受講しました。使用したデータセットと例のほとんどは、社会科学からのものでした。私は、生物統計学部門で2週間のインターンシップを受けました。そこでは、病院間および5年以上の両方で、死亡率が高い緊急状態の患者の転帰の病院レベルでの変動に関するプロジェクトを開始したいと考えています。期間。私は来週インターンシップを始めていますが、同様の分析（できればR、StataまたはMLwiNを使用）が行われた書籍またはオンラインリソース、できれば読者にデータセットを提供するものを見つけることを望んでいました。どんなリンクでも大歓迎です。 編集：私は、患者の院内ケアのすべての記録された側面を詳述するデータセットで作業します。関心の主な結果は、入院後30日以内の死亡です。

12 r  stata  multilevel-analysis  epidemiology 

私は、jagsとrjagsパッケージを使用して階層モデルを適合させようとしています。私の結果変数はyです。これは一連のベルヌーイ試行です。すべてのスピーカーはのカテゴリPにおける成功の確率があり、私の分析にPとM.ベース：私は、2つのカテゴリの下で実行されている38人の被験者を持っとのカテゴリMの成功の確率θ P × θ メートルを。：私はまた、いくつかのコミュニティレベルのPとMのためのハイパーパラメータがあることを仮定しているμ Pおよびμ メートル。θpθp\theta_pθp×θmθp×θm\theta_p\times\theta_mμpμp\mu_pμmμm\mu_m だから、すべてのスピーカーのため： とθ メートル〜BのE T （μ メートル × κ メートル、（1 - μ メートル）× κ M）ここで、κ P及びκ Mθp∼beta(μp×κp,(1−μp)×κp)θp∼beta(μp×κp,(1−μp)×κp)\theta_p \sim beta(\mu_p\times\kappa_p, (1-\mu_p)\times\kappa_p)θm∼beta(μm×κm,(1−μm)×κm)θm∼beta(μm×κm,(1−μm)×κm)\theta_m \sim beta(\mu_m\times\kappa_m, (1-\mu_m)\times\kappa_m)κpκp\kappa_pκmκm\kappa_m分布のピークに達したかコントロールが周りにあるおよびμ メートル。μpμp\mu_pμmμm\mu_m また、、μ M〜BのE T （M、BのM）。μp∼beta(Ap,Bp)μp∼beta(Ap,Bp)\mu_p \sim beta(A_p, B_p)μm∼beta(Am,Bm)μm∼beta(Am,Bm)\mu_m \sim beta(A_m, B_m) これが私のジャグモデルです。 model{ ## y = N bernoulli trials ## Each …

12 mcmc  multilevel-analysis  jags 

だから、私は約60 x 1000の行列を持っています。私はそれを1000の特徴を持つ60個のオブジェクトとして見ています。60個のオブジェクトは3つのクラス（a、b、c）にグループ化されます。各クラスには20個のオブジェクトがあり、真の分類がわかります。この60のトレーニング例のセットで教師あり学習を行いたいのですが、分類機能の精度（および関連するメトリック）と1000の機能の機能選択の両方に興味があります。 まず、私の命名はどうですか？ 今本当の質問： ランダムフォレストを、前述のように、または他の任意の数の分類器にスローすることができます。しかし、微妙な点があります。クラスcとクラスaおよびbを区別することだけが重要です。クラスaとbをプールすることもできますが、c以外のすべてのオブジェクトが2つの異なるクラスターを形成する可能性があるという先験的な知識を使用する良い方法はありますか？私と同様のデータで効果的であることが示されているので、ランダムフォレストまたはそのバリアントを使用したいと思います。しかし、私は他のいくつかのアプローチを試すことを確信することができました。

12 machine-learning  classification  multilevel-analysis  random-forest  stratification 

ベイジアン階層モデルでの情報の借用や情報の共有についてよく話します。これが実際に何を意味するのか、そしてそれがベイジアン階層モデルに固有のものであるのかどうかについて、正直な答えを得ることができないようです。私はある種のアイデアを得ました。階層内のいくつかのレベルは共通のパラメーターを共有しています。しかし、これが「情報の借用」にどのように変換されるのかはわかりません。 「情報を借りる」/「情報を共有する」という言葉は人々が捨てたいと思う流行語ですか？ この共有現象を説明する、閉じた形式の後継者の例はありますか？ これはベイジアン分析に固有のものですか？一般に、「情報の借用」の例を見ると、それらは単なる混合モデルです。たぶん私は昔ながらの方法でこのモデルを学びました、しかし私はどんな共有も見ません。 私は方法についての哲学的議論を始めることに興味はありません。この用語の使用に興味があります。

11 machine-learning  bayesian  multilevel-analysis  terminology  hierarchical-bayesian 

マルチレベル回帰から標準化された（固定効果）回帰重みをどのように取得できますか？ そして、「アドオン」として：- merオブジェクトから（lmerのlme4パッケージの関数から）これらの標準化された重みを取得する最も簡単な方法は何Rですか？

11 r  multilevel-analysis  lme4-nlme  regression-coefficients  standardization 

私は、RとJAGSを使用したメタ分析のためのやや複雑な階層ベイズモデルを構築しています。ビットを簡略化、モデルの2つの主要なレベルが有する α J = Σ H γ H （J ） + ε J Y I jがあるIこの場合、エンドポイントの目を観察（ 、研究における対非GM作物の収量GM）jは、α jは、研究のための効果であるJ、γy私はj= αj+ ϵ私yij=αj+ϵi y_{ij} = \alpha_j + \epsilon_i αj= ∑hγh （j ）+ ϵjαj=∑hγh(j)+ϵj\alpha_j = \sum_h \gamma_{h(j)} + \epsilon_jy私はjyijy_{ij}私iijjjαjαj\alpha_jjjjγγ\gammaSは関数の家族によって様々な研究レベルの変数（などの研究が行われた国の経済発展状況、作物種、勉強法、）のための効果インデックス化されている、およびε sがエラー項です。ことを注意γ sがダミー変数の係数はありません。代わりに、さまざまな研究レベルの値に対して異なるγ変数があります。例えば、あるγ D 、E 、V 、E 、L 、O 、P 、I 、N 、G、発展途上国とのためのγ のD 、E のV …

10 autocorrelation  multilevel-analysis  mcmc  jags 

現在、メタ分析に取り組んでいます。そのため、サンプル内にネストされた複数の効果サイズを分析する必要があります。他の可能な戦略の一部とは対照的に、Cheung（2014）の3レベルのメタ分析アプローチによる依存効果サイズのメタ分析（たとえば、依存関係の無視、研究内の効果サイズの平均化、1つの効果サイズの選択、または分析単位のシフト）。私の依存するエフェクトサイズの多くは相関関係であり、かなり独特の（ただし、局所的に関連する）変数が含まれているため、それらを平均しても概念的に意味がありません。 ただし、同時に、メタ分析の影響を推定する過程で、出版バイアスに対処するためのStanley＆Doucouliagos（2014）の方法を使用することにも興味があります。簡単に言うと、メタ回帰モデルを当てはめて、それぞれの分散（精度効果テスト、PET）またはそれぞれの標準誤差（標準誤差を含む精度効果推定、またはPEESE）によって研究効果サイズを予測します。PETモデルの切片の重要性に応じて、PETモデルからの切片（PET切片p > .05の場合）またはPEESEモデル（PET切片p <.05の場合）を推定されたパブリケーションとして使用します。バイアスのない平均効果サイズ。 私の問題は、しかし、スタンレーとドゥクーリアゴス（2014）のこの抜粋に起因します。 私たちのシミュレーションでは、原因不明の過剰な異質性が常に含まれています。したがって、従来の慣例では、REE [ランダム効果推定量]はFEE [固定効果推定量]よりも優先されます。ただし、出版物の選択がある場合、従来の方法は間違っています。統計的有意性の選択により、REEは常にFEEよりバイアスされます（表3）。この予測可能な劣等性は、REE自体が最大の出版バイアスを持つ単純平均とFEEの加重平均であるという事実によるものです。 この一節から、変量効果/混合効果メタ分析モデルでPET-PEESEを使用するべきではないと信じるようになりましたが、マルチレベルのメタ分析モデルには変量効果推定量が必要なようです。 私は何をすべきかについて引き裂かれています。依存しているすべての効果サイズをモデル化できるようにしたいのですが、同時にこの特定の方法で出版バイアスを補正しています。3レベルのメタ分析戦略をPET-PEESEと合法的に統合する方法はありますか？ 参考文献 Cheung、MWL（2014）。3レベルのメタ分析による依存効果サイズのモデリング：構造方程式モデリングアプローチ。心理的方法、19、211から229まで。 Stanley、TD、＆Doucouliagos、H.（2014）。出版物選択バイアスを減らすためのメタ回帰近似。研究の合成方法、5、60から78。

10 multilevel-analysis  meta-analysis  meta-regression  publication-bias