Иерархическая обобщенная линейная модель - Википедия - Hierarchical generalized linear model

В статистика, иерархические обобщенные линейные модели продлевать обобщенные линейные модели ослабив предположение, что компоненты ошибки находятся независимый.^[1] Это позволяет строить модели в ситуациях, когда необходимо более одного члена ошибки, а также учитывает зависимости между членами ошибки.^[2] Компоненты ошибки могут быть коррелированный и не обязательно следовать нормальное распределение. Когда существуют разные кластеры, то есть группы наблюдений, наблюдения в одном кластере коррелируются. Фактически, они положительно коррелированы, потому что наблюдения в одном кластере имеют некоторые общие черты. В этой ситуации использование обобщенных линейных моделей и игнорирование корреляций может вызвать проблемы.^[3]

Обзор и модель

Модель

В иерархической модели наблюдения сгруппированы в кластеры, и распределение наблюдения определяется не только общей структурой среди всех кластеров, но и конкретной структурой кластера, к которому относится это наблюдение. Таким образом, в модель вводится компонент случайного эффекта, различный для разных кластеров. Позволять ${ displaystyle y}$ быть ответом, ${ displaystyle u}$ быть случайным эффектом, ${ displaystyle g}$ быть функцией ссылки, ${ displaystyle eta = X beta}$, и ${ Displaystyle v = v (и)}$ это строго монотонная функция из ${ displaystyle u}$. В иерархической обобщенной линейной модели предположение о ${ displaystyle y | u}$ и ${ displaystyle u}$ необходимо сделать:^[2] ${ Displaystyle у середина и сим е ( тета, , фи)}$ и ${ Displaystyle и сим f_ {и} ( альфа).}$

Линейный предиктор имеет вид:

${ Displaystyle г (Е (Y)) = г ( му) = eta = Х бета + v ,}$

куда ${ displaystyle g}$ это функция ссылки, ${ Displaystyle му = Е (у)}$, ${ displaystyle eta = X beta + v}$, и ${ Displaystyle v = v (и)}$ является монотонной функцией ${ displaystyle u}$. В этой иерархической обобщенной линейной модели фиксированный эффект описывается выражением ${ displaystyle beta}$, что одинаково для всех наблюдений. Случайная составляющая ${ displaystyle u}$ не наблюдается и варьируется между кластерами случайным образом. Так ${ displaystyle v}$ принимает одно и то же значение для наблюдений в одном кластере и разные значения для наблюдений в разных кластерах.^[3]

Идентифицируемость

Идентифицируемость это концепция в статистика. Чтобы выполнить вывод параметров, необходимо убедиться, что свойство идентифицируемости сохраняется.^[4] В модели, указанной выше, местоположение v не поддается идентификации, поскольку

${ Displaystyle Х бета + v = (Х бета + а) + (v-а) ,}$

для постоянного ${ displaystyle a}$.^[2] Чтобы сделать модель идентифицируемой, нам нужно наложить ограничения на параметры. Ограничение обычно накладывается на случайные эффекты, такие как ${ Displaystyle E (v) = 0}$.^[2]

Модели с разными дистрибутивами и функциями ссылок

Предполагая различные распределения ${ displaystyle y mid u}$ и ${ displaystyle u}$, и используя различные функции ${ displaystyle g}$ и '${ displaystyle v}$, мы сможем получить разные модели. Более того, обобщенная линейная смешанная модель (GLMM) - это частный случай иерархической обобщенной линейной модели. В иерархических обобщенных линейных моделях распределения случайного эффекта ${ displaystyle u}$ не обязательно следовать нормальное распределение. Если распределение ${ displaystyle u}$ это нормально и функция ссылки из ${ displaystyle v}$ это функция идентичности, то иерархическая обобщенная линейная модель такая же, как GLMM.^[2]

Распределение ${ displaystyle y mid u}$ и ${ displaystyle u}$ также может быть выбрано сопряженным, так как хорошие свойства сохраняются и его легче вычислять и интерпретировать.^[2] Например, если распределение ${ displaystyle y mid u}$ является Пуассон с определенным средним, распределение ${ displaystyle u}$ является Гамма, и используется каноническая лог-связь, то мы называем модель пуассоновскими сопряженными иерархическими обобщенными линейными моделями. Если ${ displaystyle y mid u}$ следует биномиальное распределение с определенным средним, ${ displaystyle u}$ имеет сопряженный бета-распространение, и используется каноническая логит-ссылка, тогда мы называем модель Бета-сопряженной моделью. Более того, смешанная линейная модель - это нормальные сопряженные иерархические обобщенные линейные модели.^[2]

Краткое описание наиболее часто используемых моделей:^[5]

Часто используемые модели

Название модели	распределение y	Функция связи между y и u	распределение u	Функция связи между u и v
Нормальный конъюгат	Нормальный	Личность	Нормальный	Личность
Биномиальный конъюгат	Биномиальный	Logit	Бета	Logit
Конъюгат Пуассона	Пуассон	Бревно	Гамма	Бревно
Гамма-конъюгат	Гамма	Взаимный	Инв-гамма	Взаимный
Биномиальная GLMM	Биномиальный	Logit	Нормальный	Личность
Пуассон GLMM	Пуассон	Бревно	Нормальный	Личность
Гамма GLMM	Гамма	Бревно	Нормальный	Личность

Подгонка иерархических обобщенных линейных моделей

Иерархические обобщенные линейные модели используются, когда наблюдения происходят из разных кластеров. Существует два типа оценщиков: оценщики фиксированного эффекта и оценщики случайного эффекта, соответствующие параметрам в: ${ displaystyle eta = mathbf {x} { boldsymbol { beta}}}$ И в ${ Displaystyle mathbf {v (u)}}$ , соответственно. Существуют различные способы получения оценок параметров иерархической обобщенной линейной модели. Если интерес представляют только оценки с фиксированным эффектом, можно использовать усредненную по совокупности модель. Если вывод сосредоточен на отдельных лицах, придется предсказывать случайные эффекты.^[3] Существуют различные методы подбора иерархической обобщенной линейной модели.

Примеры и приложения

Иерархическая обобщенная линейная модель использовалась для решения различных реальных задач.

Инженерное дело

Например, этот метод использовался для анализа производства полупроводников, поскольку взаимосвязанные процессы образуют сложную иерархию.^[6] Производство полупроводников это сложный процесс, который требует различных взаимосвязанных процессов.^[7] Иерархическая обобщенная линейная модель, требующая кластеризованных данных, способна справиться со сложным процессом. Инженеры могут использовать эту модель для выявления и анализа важных подпроцессов и в то же время для оценки влияния этих подпроцессов на конечную производительность.^[6]

Бизнес

Исследования рынка проблемы также могут быть проанализированы с помощью иерархических обобщенных линейных моделей. Исследователи применили модель к потребителям внутри стран, чтобы решить проблемы с вложенной структурой данных в международных маркетинговых исследованиях.^[8]

Рекомендации