Generalized Linear Mixed Models: Diagnostics

Saya memiliki regresi logistik intersep acak (karena pengukuran berulang) dan saya ingin melakukan beberapa diagnostik, khususnya mengenai pencilan dan pengamatan yang berpengaruh.

Saya melihat residu untuk melihat apakah ada pengamatan yang menonjol. Tetapi saya juga ingin melihat jarak seperti Cook atau DFFIT. Hosmer dan Lemeshow (2000) mengatakan bahwa karena kurangnya model alat diagnostik untuk data berkorelasi, orang hanya harus sesuai dengan model regresi logistik reguler mengabaikan korelasi dan menggunakan alat diagnostik yang tersedia untuk regresi logistik reguler. Mereka berpendapat bahwa ini akan lebih baik daripada tidak melakukan diagnosa sama sekali.

Buku ini dari tahun 2000 dan saya bertanya-tanya apakah ada metode yang tersedia sekarang untuk diagnostik model dengan regresi logistik efek campuran? Apa yang akan menjadi pendekatan yang baik untuk memeriksa outliers?

Edit (5 Nov 2013):

Karena kurangnya tanggapan, saya bertanya-tanya apakah melakukan diagnostik dengan model campuran tidak dilakukan secara umum atau lebih tepatnya bukan langkah penting ketika memodelkan data. Jadi izinkan saya ulangi pertanyaan saya: Apa yang Anda lakukan setelah Anda menemukan model regresi "baik"?

Metode diagnostik memang berbeda untuk model campuran linier umum. Yang masuk akal yang telah saya lihat yang didasarkan pada residu dari GLMM adalah karena Pan dan Lin (2005, DOI: 10.1111 / j.1541-0420.2005.00365.x). Mereka telah menggunakan jumlah kumulatif residu di mana pemesanan diberlakukan baik oleh variabel penjelas atau oleh prediktor linier, sehingga menguji baik spesifikasi bentuk fungsional dari prediktor yang diberikan atau fungsi tautan secara keseluruhan. Distribusi nol didasarkan pada simulasi dari ruang desain dari distribusi nol dari spesifikasi yang benar, dan mereka menunjukkan ukuran dan sifat kekuatan yang layak dari pengujian ini. Mereka tidak membahas outlier secara khusus, tetapi saya dapat membayangkan bahwa outlier mungkin harus membuang setidaknya fungsi tautan dengan melengkung terlalu banyak ke arah pengamatan yang berpengaruh.

Ada banyak pendapat berbeda tentang apa cara terbaik untuk melihat diagnostik untuk model campuran. Secara umum, Anda ingin melihat aspek residual dan standar yang akan diperiksa untuk model tindakan yang tidak diulang.

Selain itu, biasanya, Anda juga ingin melihat efek acaknya sendiri. Metode sering melibatkan memplot efek acak oleh berbagai kovariat dan mencari non-normalitas dalam distribusi efek acak. Ada banyak metode lagi (beberapa disebutkan dalam komentar sebelumnya), tetapi ini biasanya merupakan awal yang baik.