Pertanyaan yang diberi tag «beta-regression»

Regresi beta berguna saat variabel dependen dibatasi, atau jika memiliki efek batas atas atau lantai. Ini juga dapat digunakan untuk memodelkan mean dan varians.





2
Mengapa tepatnya regresi beta tidak dapat menangani 0s dan 1s dalam variabel respon?
Regresi beta (yaitu GLM dengan distribusi beta dan biasanya fungsi tautan log) sering direkomendasikan untuk menangani respons alias variabel dependen yang mengambil nilai antara 0 dan 1, seperti fraksi, rasio, atau probabilitas: Regresi untuk hasil (rasio atau fraksi) antara 0 dan 1 . Namun, selalu dinyatakan bahwa regresi beta tidak …

2
Mengapa menggunakan tautan logit dalam regresi beta?
Baru-baru ini, saya tertarik untuk mengimplementasikan model regresi beta, untuk hasil yang proporsional. Perhatikan bahwa hasil ini tidak akan masuk ke dalam konteks binomial, karena tidak ada konsep yang bermakna dari "kesuksesan" diskrit dalam konteks ini. Bahkan, hasilnya sebenarnya adalah proporsi durasi; pembilang menjadi jumlah detik saat kondisi tertentu aktif …

3
Bagaimana menerapkan model campuran menggunakan fungsi betareg di R?
Saya memiliki dataset yang terdiri dari proporsi yang mengukur "tingkat aktivitas" kecebong individu, oleh karena itu membuat nilai-nilai terikat antara 0 dan 1. Data ini dikumpulkan dengan menghitung berapa kali individu bergerak dalam interval waktu tertentu (1 untuk pergerakan, 0 untuk tanpa gerakan), dan kemudian dirata-rata untuk membuat satu nilai …


1
Berurusan dengan regresi dari variabel respons yang dibatasi secara tidak biasa
Saya mencoba untuk memodelkan variabel respons yang secara teoritis dibatasi antara -225 dan +225. Variabelnya adalah skor total yang diperoleh subjek saat bermain game. Meskipun secara teoritis dimungkinkan untuk mata pelajaran untuk mencetak +225. Meskipun demikian karena skor tidak hanya bergantung pada aksi subjek, tetapi juga aksi aksi lainnya, skor …



1
Interval prediksi untuk proporsi keberhasilan di masa depan dalam pengaturan Binomial
Misalkan saya cocok dengan regresi Binomial dan mendapatkan estimasi titik dan matriks varians-kovarians dari koefisien regresi. Itu akan memungkinkan saya untuk mendapatkan CI untuk proporsi keberhasilan yang diharapkan dalam percobaan di masa depan, , tetapi saya membutuhkan CI untuk proporsi yang diamati. Ada beberapa jawaban terkait yang diposting, termasuk simulasi …

2
Bootstrap parametrik, semiparametrik, dan nonparametrik untuk model campuran
Cangkok berikut diambil dari artikel ini . Saya pemula untuk bootstrap dan mencoba mengimplementasikan bootstrap parametrik, semiparametrik, dan nonparametrik untuk model campuran linier dengan R bootpaket. Kode R Ini Rkode saya : library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- …
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
Apa perbedaan antara regresi beta dan quasi glm dengan varians =
Pertama izinkan saya memberi latar belakang; Saya akan meringkas pertanyaan saya di bagian akhir. Distribusi Beta, diparameterisasi dengan rata-rata μμ\mudan , memiliki , di mana adalah fungsi varians.ϕϕ\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) …
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.