尺度参数在GEE中的作用

机器算法验证 r 广义估计方程
2022-02-06 00:12:04

我正在学习广义估计方程(GEE)和geepackR 包。有些问题我有点困惑。

在 GEE 构建的模型中,我们有,其中是尺度参数。我们进一步将分解为,其中是相关参数。在 , 中分别为指定了三个链接模型有关详细信息,请参阅PDF 文件。Var(Yit)=ϕitV(μit)ϕVar(Y)V1/2R(α)V1/2αgeepackμ,ϕ,α

(1) 在GEE1中,我能说我们只需要确保均值结构被正确指定,即链接模型是正确的,而链接模型是否为是否正确指定?g(μ)=Xβϕα

(2) 默认情况下,该geese.fit函数生成比例值scale.value = 1.0——它是否说可以理解的是,默认情况下人们可以指定不同的相关结构,程序会相应地分配适当的值。我的问题是:人们多久尝试一次明确地对比例参数建模?ϕ=1.0alpha=NULLalphaϕ

密切相关回想一下方差函数是在高斯情况下,我们有在二项式情况下,我们有在泊松的情况下,我们有我可以说,在负二项式情况下,吗?这里是 NB2 色散参数,而不是 GEE 中的尺度参数ϕVar(Yit)=ϕitV(μit)ϕ=σ2V(μit)=1ϕ=1V(μit)=μit(1μit)ϕ=1V(μit)=μitϕ=1V(μit)=μit+φμit2φϕ

非常感谢你!

1个回答

第一季度

如果您使用三明治估计协方差,即使您的的工作模型是错误的,GEE 的系数和标准误差也是一致的。这在其他地方得到了很好的介绍,例如Sandwich estimator intuitionαϕ

第二季度

我不知道它在 2012 年是否相同,但至少现在,只有TRUEscale.value 时才使用。scale.fix

第三季度

是的,你完全正确。尺度参数与 NB 色散不同。它们在模糊的意义上是相似的——“解决过度分散”——但在数量上不同。例如,如果,则将自身添加到方差中,而将自身乘以方差。ϕφμ=1φϕ

一个关键的定性差异是,无助于对观察结果重新加权以使那些具有较低方差的人更可信,而则可以。插入任何东西并得到相同的系数。不是这样巨大的值将导致您的估计过度依赖于具有小拟合值的观测值(对于)。本文对密切相关的技术进行了很好的回顾,作为奖励,其中涉及一种可爱的动物(海豹)。ϕφϕφμ