Kiitos mielenkiintoisesta kysymyksestä. Erilaisuus Vakiolaskumallien yksi rajoitus on se, että nollat ja eieros-positiiviset oletetaan tulevan samasta datavirtaa tuottavasta prosessista. Estämismalleilla näitä molempia prosesseja ei ole rajoitettu olemaan samat. Perusajatus on että Bernoulli-todennäköisyys hallitsee binäärisen tuloksen siitä, onko laskentamuutoksella nolla vai positove realisoituminen. Jos toteutuminen on positiivinen, este on ylittynyt ja positiivisten ehdollisen jakauman säätelevät laskennallinen nolla-laskentamoodi. Nollatäytteiset mallit vastausmuuttuja mallinnetaan Bernoulli-jakauman seoksena tai kutsutaan nollaksi osoitetuksi pistemassaksi ja Poisson-jakaumalle tai muulle laskentajunnalle, jota tuetaan ei-negatiivisilla kokonaislukuilla. Tarkempia yksityiskohtia ja kaavoja ks. Esim. Gurmu ja Trivedi 2011 ja Dalrymple, Hudson ja Ford 2003. Esimerkkejä Hurdle-malleista voi olla motivoitunut peräkkäisten päätöksentekoprosessien avulla, Ensin päätät, tarvitsetko ostaa jotain, ja sitten päätät sen määrän, jonka on oltava positiivinen. Kun olet päättänyt tai ei voi ostaa mitään sen jälkeen, kun päätös ostaa jotain on esimerkki tilanteesta, jossa nollaa Malli on sopiva Zeros voi olla peräisin kahdesta lähteestä ei ole päättänyt ostaa b halusi ostaa, mutta päätyi ostamaan mitään esim. Loppu. Beeta malli on erityinen tapaus kaksiosainen malli kuvattu luvussa 16 Frees 2011 siellä , Näemme, että kahden osan mallien kohdalla käytetyn terveydenhuollon määrä voi olla jatkuva sekä laskentavaihtelu. Joten, mitä on hieman hämmentävästi kutsuttu nollatäytteisestä beeta-jakelusta kirjallisuudessa, kuuluu itse asiassa luokkaan Kaksiosainen jakautuminen ja mallit, jotka ovat niin yleisiä vakuutusmatemaattisessa tieteessä, mikä vastaa edellä esitettyä esteiden mallin määritelmää. Tämä erinomainen kirja käsitteli jaksoissa 12 4 1 nollatäytteisiä malleja ja osiin 12 4 2 olevia esteettisiä malleja kaavoja ja esimerkkejä vakuutusmatemaattisista sovelluksista. Historia nollatäytteiset Poisson-ZIP-mallit, joissa ei ole kovariansseja, on pitkä historia, ks. esimerkiksi Johnson ja Kotz, 1969 Kovariateja sisältävien ZIP-regressiomallien yleinen muoto johtuu Lambert 1992: sta Hurdle-malleista ehdotti ensin kanadalainen tilastotieteilijä Cragg 1971, jota myöhemmin kehittää Mullahy 1986 Voit myös harkita Croston 1972, jossa positiivisia geometrisia laskelmia käytetään yhdessä Bernoulli-prosessin kanssa kuvata kokonaisluku-arvoista prosessia, jota hallitsevat nollat. Seuraavia viittauksia on kuultu tuottamaan edellä. Gurmu , S Trivedi, PK ylimäräiset nollat rekonstruoidun matkan luottomuodoissa Journal of Business Economist Statistics, 1996, 14, 469-477.Johnson, N Kotz, S Tilastotietokannat diskreettiä jakelua varten 1969, Houghton MiZin, Boston. Lambert, D Zero - in-ated Poisson-regressio soveltamalla valmistusvirheitä Technometrics, 1992, 34 1, 1 14.Cragg, JG Jotkut tilastolliset mallit Li (Econometric, 1971, 39, 829-844). Mullahy, J Jotkin modifioidut laskentamoodimallit Erittely ja testaus Journal of Econometrics, 1986, 33, 341-365. Frees, EW Regression Modeling vakuutusmatemaattiset ja taloudelliset sovellukset Cambridge University Press, 2011.Dalrymple, ML Hudson, IL Ford, RPK Finite - seos, nollatäytteiset Poisson - ja Hurdle-mallit SIDS-laskennallisten tilastotietojen analysointiin, 2003, 41, 491-504.Croston, JD Ennustaminen ja varastokontrolli jaksottaisten vaatimusten operatiiviselle tutkimukselle Neljännesvuosittain, 1972, 23, 289-303.vastattu tammikuu 10 14 18 18. Hidas mallit olettavat, että on olemassa vain yksi prosessi, jolla nolla voidaan tuottaa, kun taas nollatäytteiset mallit olettavat Että on olemassa kaksi erilaista prosessia, jotka voivat tuottaa nollan. Häirikemallit edellyttävät kahdentyyppisiä aiheita 1 niitä, jotka eivät koskaan kokevat lopputulosta ja 2 niitä, jotka kokevat aina lopputuloksen vähintään kerran Zero-inflated - mallit conc Eptualisoida aiheita 1: ksi sellaisina, jotka eivät koskaan kokene tulosta ja 2: ta, jotka voivat kokea lopputulosta, mutta eivät aina. Yksinkertaisesti molemmissa nollasta täyttyneitä ja esteettisiä malleja kuvataan kahdessa osassa. Ensimmäinen on off-off-osa, joka on binaarinen prosessi Järjestelmä on pois päältä, todennäköisyys pi ja todennäköisyys 1- pi Tässä, pi tunnetaan inflaatiotodennäköisyydeksi Kun järjestelmä on pois päältä, vain nollatulot ovat mahdollisia Tämä osa on sama nollatäytteisille ja esteellisille malleille. Toinen osa on laskentaosa, joka tapahtuu, kun järjestelmä on päällä. Tällöin nollatäytteiset ja esteettiset mallit eroavat. Nollan täyttyneissä malleissa lasku voi silti olla nolla. Estämismalleissa niiden on oltava ei-nollia. Tästä osasta nollajännitetyt Mallit käyttävät tavallista erillistä todennäköisyysjakaumaa, kun taas esteettimallit käyttävät nolla-typistettyä diskreettiä todennäköisyysjakaumatoimintoa. Esimerkki esteettömyyden mallista Autovalmistaja haluaa vertailla kahta laadunvalvontaohjelmaa omille autoilleen. Se vertaa Heidät talletettujen takuupyyntöjen perusteella Kutakin ohjelmaa varten satunnaisesti valittuja asiakkaita seurataan yhden vuoden ajan ja niiden takuupyyntöjen lukumäärää lasketaan. Kutakin ohjelmaa koskevat inflaatiotodennäköisyydet verrataan sitten pois päältä valtion on jätetty nolla väittää, kun on tilaan on jätetty vähintään yksi vaatimus. Esimerkki nolla-täytetty malli Samassa tutkimuksessa edellä tutkijat huomaavat, että joitakin korjauksia autoissa on korjattu ilman takuuseen vaatimusta. Nollat ovat sekoitus laadunvalvontaongelmien puuttumisesta sekä laadunvalvontaongelmista, joihin ei liittynyt takuuta koskevia vaatimuksia. Pois tilalla tarkoitetaan nolla-vaatimuksia, kun taas tilalla olleilla varoilla on ainakin yksi vaatimus tai korjaukset on korjattu ilman Hakemuksen jättäminen. Vaihda täältä tutkimusta varten, jossa molempia malleja käytettiin samaan datasarjaan. Vastattu tammikuu 7 14 klo 20 15.in ZIP-malli yi.0 todennäköisyydellä pi ja yi. Poisson lambda distributio n todennäköisyys 1- pi, joten ZIP-malli on seosmalli, jossa on 2 komponenttia, ja Pr yj 0 pi 1 - pi y Pr yj xi 1 - pi frac e, qquad xi ge 1. ja esteettömässä mallissa yi.0 todennäköisyydellä pi ja yi. tuncated Poisson lambda - jakauma todennäköisyydellä 1- pi ja Pr yj 0 pi Pr yj xi frac frac e, qquad xi ge 1.Eroa mallille on tunnusomaista prosessin alapuolella este ja yllä. Yleisesti käytössä oleva este malli on se, joka asettaa esteen nollaksi muodollisesti, esteetön nolla-malli ilmaistaan P Ni ni f1 0 ni 0 P Ni ni frac f2 ni phi f2 ni ni 1,2. Muuttuja Phi voidaan tulkita todennäköisyydeksi ylittää este, tai täsmällisemmin vakuutus, todennäköisyys ilmoittaa vähintään yksi vaatimus. Koska nollasta täyttyneet mallit, Wikipedia sanoo. Nolla-täytetty malli on tilastollinen malli perustuu Nollasta täyttyneellä todennäköisyysjakaumalla eli jakelulla, joka sallii usein nollan arvotut havainnot. Nollaa täytetty Poisson m Odel koskee satunnaista tapahtumaa, joka sisältää ylimääräistä nolla-laskentataulua yksikköajassa Esimerkiksi jonkin vakuutetun vakuutusyhtiön korvausvaatimusten lukumäärä on lähes aina nolla, muutoin merkittävät tappiot aiheuttaisivat vakuutusyhtiön konkurssin. Nolla-täytetty Poisson-ZIP-mallissa käytetään kahta komponenttia, jotka vastaavat kahta nollanmuodostusprosessia. Ensimmäistä prosessia ohjataan binaarijakaumalla, joka tuottaa rakenteellisia nollia. Toista prosessia ohjataan Poisson-jakaumalla, joka synnyttää laskutoimituksia, joista osa voi olla nolla. Kaksi mallikomponenttia ovat Joka on kuvattu seuraavasti: Pr yj 0 pi 1 - pi e Pr yj hi 1 - pi frac e, qquad hi ge 1 jossa tulosmuuttujalla yj on jokin ei-negatiivinen kokonaislukuarvo, lambdai on odotettu Poisson-luku i: lle yksittäiselle pi Todennäköisyys ylimääräisistä nollista. Arnoldilta ja kollegoilta 2008 nähdään, että esteetön malli on erikoistapaus yleisempiä esteiden malleja, mutta Wikipediasta Hall, 2004, näen myös, että jotkut nollatäytteiset mallit voivat olla ylärajaisia. En ymmärrä täysin kaavojen eroa, mutta ne näyttävät olevan melko samanlaisia, ja molemmat käyttävät jopa hyvin samanlaista esimerkkiä. Vastaukset voivat auttaa selittämään kaikki tärkeät erot, ja että tämä vastaus auttaa määrittämään vaiheen näille. Lammet, D 1992 Nollatäytteinen Poisson-regressio, jossa sovellus valmistusvirheisiin Technometrics, 34 1, 1 14.Zero Inflated Poisson In Stata Forex. 2001 Puntotesti nollasta täytetyn Poisson-regressiomallin testaamiseksi nollasta täyttyneillä negatiivisilla binomialavaihtoehdoilla Ei-normaali tulosmuuttuja voi yleensä jakaa jäännöksiä, mutta sen on oltava jatkuvaa, rajoittamatonta ja mitattava intervalli - tai suhdeasteikolla Zero Inflated Poisson In Stata Forex Zambia Forex-varaukset tänään Kun käytät nollasta täyttävää poissonregressiota ja negatiivista binomialijakoa Penalized regression ilman nollatasoitettuja malleja Luokan tulosmuuttujat eivät selvästikään täytä tätä vaatimusta, joten on helppo nähdä, että tavallinen lineaarinen malli ei ole tarkoituksenmukainen Se on vähemmän ilmeinen, koska ne mitataan suhdeasteikolla, joten on helpompi ajatella niitä yhtäjaksoisesti tai lähellä sitä. Laskuarvot voivat olla negatiivisia 0 on pienin mahdollinen arvo ja ne ovat usein vinossa Niin äärimmäisen, että 0 on selvästi yleisintä arvoa Kaikki ne vitsaukset, jotka koskevat keskimäärin perheestä, jolla on 1 3 lasta, ovat tässä yhteydessä ristiriitaisia. Esimerkiksi nolla-inflaatio Poisson-jakaumaa voidaan käyttää mallinnustietojen laskemiseen, joiden nollasummien osuus on suurempi kuin odotettiin nollasta laskettujen lukumäärien keskiarvon perusteella XIX-vuosisadan kansainvälisen biometrisen konferenssin, Kapkaupungin, kutsutut paperit, s. tästä kiinnostuksesta johtuu Lambertin Ref 1: n peruskirjasta, vaikka tämäntyyppinen malli näyttäisi alkaneen ekonometrisen kirjallisuuden pohjalta. Nollaa täyttyvää poissonregressiota käytetään mallin laskemiseen, jolla on ylimäärin nolla-arvoja. Voimme käyttää käyttöön otettuja marginaaleja Stata 11 auttaa Zero Inflated Poisson In Stata Forex Strategia Forex Terbaik Untukmu PM 1 28 2012, Clyde B Schechter kirjoitti Onko kukaan tiedä Stata-toteutuksesta? Tässä luvussa ei katsota nollasta täyttävää Poissonia ja Esimerkiksi nollajännitetystä Poisson Jakelua voidaan käyttää mallinnustietojen laskemiseksi, joiden nollalaskelmien osuus on odotettua suurempi. Tässä tapauksessa parempi ratkaisu on usein Zero-Inflated Poisson ZIP m Kun käytetään nollasta täyttävää poissonregressiota ja negatiivista binomialijakoa Penaloitu regressiota nollasta täyttyneillä malleilla On olemassa melkoisia tuloksiin liittyviä muuttujia, jotka eivät koskaan täytä normaalia lineaarista mallia, joka olettaa normaalisti jakaantuneita jäännöksiä. Mutta ne eivät ole yhtäjaksoisia tai rajoittamattomia , ja tämä vaikuttaa todella oletuksiin Count-muuttujat noudattavat usein Poissonia tai jotain siihen liittyvää jakelua Zero Inflated Poisson In Stata Forex Ja kun ylimääräinen vaihtelu tapahtuu myös, sen läheinen sukulais on Zero-Inflated Negative Binomial Code Options Trading huijauksia PM 1 28 2012 , Clyde B Schechter kirjoitti Onko kukaan tiedä Stata-toteutuksesta? Tässä luvussa ei katsota nollasta täyttävää Poisson - ja Zero-inflated kaksinkertaista Poisson-arvoa, läpimitaltaan täytetty kaksivaiheinen Poisson-malli fDx, J voidaan määritellä 0,1 0 0,1 x D x J fx J x J algoritmille JR Stat Soc Ser B, Stat Methodol 39, 1 38 Donaldson, BM 2007 Royal Bank of Canada Stock Broker Milloin käyttää nollasta täyttävää poisson regressio ja negatiivinen binomijakautuma Penalized regression ilman nollatäytteisiä malleja Mutta joskus on vain kysymys liian monista nollista kuin Poisson ennustaa. Viime vuosina on ollut huomattavaa kiinnostusta regressiomalleihin, jotka perustuvat nollasta täytettyihin jakeluihin Clarice Demetrio, John Hinde ja minä kirjoitimme tarkastelumateriaalin laskentatietojen malleja monilla nollilla kansainväliselle biometriselle konferenssille, Capetown, joulukuu 1998 Ref 2 Zero Inflated Poisson In Stata Forex Miten tehdä rahaa heliumille Vaikka tämä tarkastelu oli kohtuullisen täydellinen aika, on olemassa huomattava myöhempi kirjallisuus tästä aiheesta, mukaan lukien yksi osuus oman Ref 3 1992 nollaa täytetty Poisson regressio, soveltaminen valmistusvikoihin Zero Inflated Poisson In Stata Forex Poisson-jakelu olettaa, että jokainen laskenta on tulos samasta Poisson-prosessista satunnaista prosessia, joka kertoo jokaisen lasketun tapahtuman olevan riippumaton ja yhtä todennäköinen tässä Tapaus, parempi ratkaisu on usein Zero-Inflated Poisson - viivamalli Johdatus Data Analysis with Stata Kun varianssi on liian suuri, koska on monia 0s samoja kuin muutamia erittäin korkeita arvoja, negatiivinen binomimalli on laajennus, joka pystyy käsittelemään Ylimääräinen varianssi. Zero-täytteisiä jakaumia käytetään mallin laskemiseen, jossa on paljon nolla-arvoja Zero Inflated Poisson In Stata Forex-ZIP-mallit olettavat, että jotkut nollat ovat tapahtuneet Poisson-prosessilla, mutta toiset eivät ole edes oikeutettuja tapahtumaan Forex Platform Etoro Jos tätä laskentamäärää käytetään regressiomallin tuloksena, voimme käyttää Poisson-regressiota arvioidaksemme, miten ennustajat vaikuttavat tapahtumien määrän lukumäärään. Yksi, jota usein rikotaan, on se, että keskiarvo on yhtä suuri kuin varianssi. Ovat kaksi prosessia, jotka määrittävät, onko yksilöä edes oikeutettu ei-nolla-vasteeseen, ja toinen, joka määrittää vastauksen lukumäärän eligibl E individuals. Dec 29, 2015 Top 6 syytä opettaa englantia Tšekin tasavallassa ja tutustu kansainväliseen 170 tunnin TEFL-sertifiointiluokkaan suositellaan niille Top 5 maille, jotka ansaitsevat eniten rahaa Opettaminen Englanti Ansaita per testi Sinulle maksetaan uudelleen noin 10-20 minuuttia työtä Tee rahaa varaustanne Yksinkertaiset verkko-tehtävät Hanki käyntiä verkossa ja ansaitse rahaa Tšekin tasavallassa 14.3.2010 Tšekin tasavallan virallinen valuutta on Tšekin kruunu K, CZK You Voi saada Tšekin kruunuja pankkeihin tai yksityisiin X2-vaihtajiin X2 pidempään työskentelyyn tai opiskeluun Tsekin tasavallassa, sinun tulee Ria Financial Services on yksi johtavista ja luotettavimmista kotimaisista ja kansainvälisistä rahansiirto - ja rahalähetysyhtiöistä Tšekin tasavallassa ja. Bivarianttinen nollatäytteinen negatiivinen binomialgresiointimalli laskutietojen ylimääräisille nollille. Tässä asiakirjassa ehdotetaan kaksivaiheista nollasta täyttävää negatiivista binomialregressiomallia laskutietojen kanssa N nollia ja antaa arviointimenetelmän, joka perustuu EM - ja quasi-Newton-algoritmeihin. Sovellus terveydenhuollon hyödyntämisen analyysiin annetaan. Bivariate negatiivinen binomijakauma. Count data with excess zeros. Correlation. EM algoritmi. JEL-luokitus. Vastaava Kirjailija puh. 65-6790-6217 faksi 65-6792-4217.Copyright 2002 Elsevier Science BV Kaikki oikeudet pidätetään. Tämän sivuston käyttämistä käytetään lisätietoja evästeiden sivulla. Copyright 2017 Elsevier BV tai sen lisenssinantajat tai avustajat ScienceDirect on Elsevier B: n rekisteröimä tavaramerkki V. Voimme todella tarvitsematta nollaa ajautuneita malleja. August 7, 2012 By Paul Allison. Laskutietojen analyysiin monet tilastolliset ohjelmistopaketit tarjoavat nyt nollasta täytettyjä Poisson - ja nollapaineisia negatiivisia binomialregressiomalleja Näitä Mallit on suunniteltu käsittelemään tilanteita, joissa on liikaa yksilöitä, joiden määrä on 0. Esimerkiksi tutkimuksessa, jossa riippuva muuttuja on lukumäärän, jonka aikana opiskelija valtaosa opiskelijoista voi olla arvoltaan 0. Zero-inflated - malleista on tullut melko suosittuja tutkimuskirjallisuudessa. Web Science - tietokannan nopea haku viimeksi kuluneiden viiden vuoden aikana löysi 499 artikkelia, joiden nolla on täytetty otsikossa , abstrakteja tai avainsanoja Mutta ovatko tällaiset mallit todella tarpeellisia Ehkä ei. On varmasti tapaus, että Poisson-regressiomalli sopii usein huonosti tietoihin, kuten osoitetaan deviance - tai Pearson-chi-neliötestin avulla, koska Poisson-malli olettaa, että ehdollinen Riippuvaisen muuttujan varianssi on yhtä kuin ehdollinen keskiarvo. Useimmissa laskentataulukkoissa ehdollinen varianssi on suurempi kuin ehdollinen keskiarvo, usein paljon suurempi, ilmiö, joka tunnetaan ylikysymyksenä. Nollaa täytetty Poisson-ZIP-malli on yksi tapa sallia ylidispersio Tämä malli olettaa, että näyte on kahden lajin yksilöiden seos, yksi ryhmä, jonka lukemat luodaan tavallisella Poisson-regressiomallilla ja toinen ryhmä kuttaa niitä absoluuttinen nollaryhmä, jolla on nollan todennäköisyys, että luku on suurempi kuin 0 Nollatut 0-arvot voivat tulla kummasta tahansa ryhmästä Vaikka ei ole välttämätöntä, malli on tyypillisesti kehitetty sisällyttämään logistinen regressiomalli ennustaa minkä ryhmän yksilö kuuluu. Yliannostus , ZIP-malli sopii tyypillisesti paremmin kuin tavanomainen Poisson-malli. Mutta on olemassa toinen malli, joka mahdollistaa ylidispersion, ja se on standardin negatiivinen binomialregressiomalli. Kaikissa tutkituissa tietosarjassa negatiivinen binomimalli sopii paljon paremmin kuin ZIP Malli, arvioituna AIC - tai BIC-tilastoilla Ja se on paljon yksinkertaisempi mallin arvioimiseen ja tulkitsemiseen. Joten jos valinta on ZIP - ja negatiivisen binomin, voin melkein aina valita jälkimmäisen. Mutta mitä nollasta täyttyneestä negatiivisesta binomi-ZINB-mallista On varmasti mahdollista, että ZINB-malli sopii paremmin kuin tavanomainen negatiivinen binomiomallin regressiomalli. Mutta jälkimmäinen on erityinen esimerkki entisestä, joten Se on helppo tehdä todennäköisyyssuhteen testi verrata niitä ottamalla kaksi kertaa positiivinen ero log-todennäköisyydet Kokemukseni, ero sopii yleensä triviaali. On tietysti on varmasti tilanteita, joissa nolla-täytetty malli on järkevää Esimerkiksi jos riippuva muuttuja on 50-vuotiaiden naisten otokseen koskaan syntyneiden lasten määrä, on kohtuullista olettaa, että jotkut naiset ovat biologisesti steriilejä. Näillä naisilla ei ole muutos ennustemuuttujista riippumatta siitä, mikä heillä voisi olla, voisi muuttaa odotettua lukumäärää lapsille. Sitten seuraavan kerran kun ajatellaan nollasta täyttyneen regressiomallin sovittamista, harkitse ensin, onko tavanomainen negatiivinen binomiomalli saattanut olla tarpeeksi hyvä. Koska paljon nollia ei ole t välttämättä tarkoita sitä, että tarvitset nollasta täyttä mallia. Voit lukea lisää nollasta täyttyneistä malleista kirjani luvussa 9 Logistic Regression käyttäen SAS Theory - sovellusta Toinen painos julkaistiin huhtikuussa 2012. William Greenen funktionaalinen muoto ja heterogeenisuus laskentatietojen mallissa 2007 väittävät, että malleja ei ole upotettu, koska ei ole parametrista rajoitusta nollasta täyttyneelle mallille, joka tuottaa ei-täyttyneen mallin. Tämä on virheellinen Yksinkertainen parametrin uudelleenparametrointi ZINB-malli mahdollistaa tällaisen rajoituksen. Todennäköisyyssuhteen testi on asianmukainen, vaikka chi-neliöjakauma saattaa tarvita jonkin verran säätöä, koska rajoitus on parametrivaltion rajalla.78 Responses. Chizoba Wonodi sanoo. Kiitos tästä blogikirjasta Teet näitä tilastollisia käsitteitä helposti ymmärrettäväksi Olen varmaankin varma kirjastasi. William Greene kuten edellä sanoo. Nolla inflaatiomalli on piilevä luokka-malli. Ehdotetaan erityistilanteessa, jossa on kahdenlaisia nollia havainnoidut tiedot Se on kaksiosainen malli, jolla on erityinen käyttäytymistulkkaus, joka ei ole erityisen monimutkainen. Edellisessä keskustelussa ei ole kyse Malli No, et tarvitse ZINB: tä On olemassa muita toimintoja, jotka sopivat tietoihin, jotka näyttävät sopivilta ZINB-mallilta paremmiksi Kuitenkaan lokin todennäköisyysfunktio tai ehdotettu AIC eivät ole käyttökelpoisia Mittaa mallin sopivuuden tietoihin siinä mielessä, että sitä yleensä pidetään, ei ole osa sovituskriteeriä Jos käytät mallia ennustamaan tulosmuuttujaa, verrata näitä ennusteita todellisiin tietoihin, ZINB-malli Sopii niin paljon paremmin, ettei vertailua ole. On aina mielenkiintoista, kun kommentaattori väittää, että mallia on vaikea sovittaa kirjoittamalla ZINB: n Stata - tai nlogit-komentokieli ei ole vaikeampi kuin kirjoittamalla negbin. Nämä mallit ovat olleet olemassa vuosia tukemina menettelyinä nämä ohjelmat Ei ole mitään vaikeaa asentaa niitä Mallin tulkintaan vaikeasti, ZINB-mallin kaksiosaisena mallina on paljon järkeä On vaikea ymmärtää, miksi se olisi vaikeaa T tulkita Edellä oleva piste siitä, että NB-malli on parametrinen rajoitus ZINB-mallilla, on väärä Reparametrointi vain nostaa nolla-todennäköisyyttä Mutta menettää kahden osan tulkinnan uudelleenparametroitu malli ei ole nolla täytetty malli latenttisessa luokassa mielessä Joka on määritelty ns. Reparameteroitu malli ei enää ole piilevä luokka-malli On totta, että NB-mallia voidaan testata ehdotetun mallin rajoituksena. Mutta ehdotettu malli ei vastaa alkuperäistä ZINB-mallia, vaan se on erilainen malli Jälleen kerran tämä on vain käyrä sopiva Noin nollan todennäköisyys räjähtää lukuisilla tavoilla, mutta nämä menetelmät menettävät nollan täyttyneen mallin teoreettisen tulkinnan. Paul Allison sanoo. Arvostan William Greenen harkitsevaa harkintaa eräistä asioistani blogi Tässä muutamia vastauksia.1 ZIP-malli Koska Greene ei maininnut nollasta täyttävää Poisson-mallia, arvelen, että hän on kanssani samaa mieltä siitä, että ZIP-malli on Ei-starter Se on aivan liian rajoittava suurimmalle osalle sovelluksista. 2 Curve-sovitus vs käyttäytymismallia Se on minun vahva vaikutelma siitä, että monet tutkijat käyttävät nollaa täytettyjä malleja ilman mitään aiempaa teoriaa, joka johtaisi heidät postulkaamaan erityisluokan yksilöiden, joiden odotettu määrä on 0 He vain tietävät, että heillä on paljon nollia ja he ovat kuulleet sen ongelman Kun he ovat oppineet lisää malleista, he voivat laatia teorian, joka tukee erityisluokan olemassaoloa Mutta se ei kuulunut alkuperäiseen tutkimustarkoitukseen. Tavoitteenani on yksinkertaisesti ehdottaa, että nollatasapainotettu malli ei ole välttämätöntä käsitellä mitä voi tuntua liialliselta numerolta tai nollilta. Kuten mainitsin blogin loppupuolella, ovat varmasti tilanteita, joissa voi olla vahvat teoreettiset syyt postulkaisemaan kaksiluokan malli Mutta vielä silloin, mielestäni on syytä vertailla ZINB-mallin sovitusta tavanomaisen NB-mallin kanssa. Kahden luokan hypoteesi on vain, että hypoteesi Ja jos todisteet siitä hypoteesista ovat heikkoja, on ehkä aika harkita uudelleen. On myös syytä huomata, että tavanomainen NB-malli voi itsessään johtaa sekoitusmalliksi. Oletetaan, että jokaisella yksilöllä on tapahtumamäärä Joka generoidaan Poisson-regressiomallilla, jolla on odotettu taajuus Ei Mutta oletetaan, että odotettu taajuus kerrotaan satunnaismuuttujalla Ui edustamaan havaittua heterogeenisyyttä Jos Ui: lla on gamma-jakauma sekoitusjakauma, niin havaitulla laskutoimittajalla on negatiivinen binomi jakelu Yleinen gamma-jakautuma on melko joustava ja mahdollistaa suuren yksittäisen henkilön keskittymisen lähelle nollia. 3 Sovita kriteerit En ole varma, mitä tehdä Greene-lausunnosta, ettei logaritmisyys tai ehdotettu AIC ole hyödyllinen Mallin mukainen tieto siinä mielessä, että sitä tavallisesti pidetään, ei ole osa sovituskriteeriä. Miksi sovituskriteeri rion eli log-todennäköisyys ei ole keskeinen perusta erilaisten mallien sopivuuden vertailemiseksi Jos se ei ole hyödyllinen vertailun soveltuvuuden kannalta, miksi sitä olisi käytettävä arviointikriteerinä. AIC: ia ja BIC: tä käytetään joka tapauksessa eri mallien suhteellisia ansioita ja en ymmärrä mitään ilmeistä syytä, miksi niitä ei pitäisi käyttää arvioitaessa nollasta täytettyjä malleja.4 Vaikeudet vaikeuksiin Greene on hämmentynyt kaikesta ehdotuksesta, että nollan täyttymät mallit ovat vaikeasti sovitettavissa Nämä eivät olleet tarkasti Minun sanani, mutta voin määrätä, että ZINB: ssä on vähemmän painikkeita kuin NEGBIN: ssä Joten tässä mielessä ZINB on todellisuudessa helpompi Toisaalta ZINB: lle tarvitaan varmasti enemmän laskentaa kuin NB: llä ja jos käsittelette uudelleen suuria tietoja, jotka voisivat tehdä suuria eroja Lisäksi ei ole epätavallista joutua kuolemaan johtaneisiin virheisiin yritettäessä maksimoida todennäköisyys ZINB: lle.5 Tulkintaongelma Miksi väitän, että ZINB-mallia on vaikeampi tulkita Koska sinulla on yleensä kaksi kertaa niin paljon kertoimia, että sinun on vastattava kysymyksiin, kuten Miksi muuttujan X vaikutus oli suuri vai ei, että joku oli absoluuttisessa nollaryhmässä, mutta ei paljon vaikutusta odotettuun tapahtumien joukkoon Toisaalta, miksi vaihtelevalla W: llä oli lähes samat kertoimet kussakin yhtälössä. Kuten useimmissa analyyseissä, voi tavallisesti saada aikaan muutamia jälkikäteisiä selityksiä. Mutta jos malli ei sovi hyvin parempi kuin tavanomainen NB, jossa on kerroin kerrallaan, ehkäpä vain tuhlaamme aikaa yrittää vastata tällaisiin kysymyksiin.6 Mallien nimetyt Muistutan, että Greene s aikaisemmin väitti, että NB-malli ei ollut sisäkkäinen ZINB-malliin perustuivat havainto siitä, että ainoa tapa saada ZINB-mallista NB-malliin on tekemällä leikkaus logistisessa yhtälössä, joka on yhtä kuin miinus ääretön, eikä se ole kelvollinen rajoitus. Mutta olettaa, että ilmaisitte logistisen osan Hän mallin seuraavin tavoin. 1-p b0 exp b1 x1 bk xk. where b0 on vain eksponentioitu leikkaus alkuperäisessä formulaatiossa Tämä on silti piilevä luokka malli alkuperäisessä mielessä Nyt, jos asetamme kaikki bs 0, saamme tavanomainen NB-malli Kysymys siitä, ovatko mallit sisäkkäisiä, on puhtaasti matemaattinen eikä niillä ole mitään tekemistä mallien tulkinnan kanssa. Jos saat mallista toiseen yksinkertaisesti asettamalla tietyt tuntemattomat parametrit, jotka ovat yhtä suuria kuin kiinteät vakiot tai yhtä suuret toisistaan, sitten ne ovat sisäkkäisiä. Kuten mainitsin blogissa, koska b0: n alaraja on nolla, rajoitus on parametrivaltion rajalla. Se on nyt laajalti tunnustettu, että tällaisissa tilanteissa todennäköisyyssuhteiden tilastolla ei ole standardi chi-neliöjakauma Mutta ainakin periaatteessa sitä voidaan säätää. Shaohua Li sanoo. Wrt ZI-malleja tulkinnan vaikeudesta, mielestäni voitte kuvitella, että on olemassa tuntematonta havaitsematonta selittävää muuttujaa, joka aiheuttaa monia nollia Th e nollasta täytetty osa-malli En tiedä oikeaa termiä aktivoi tämä muuttuja. Ilman tietokone tutkijat, joille olen yksi tämä rento on usein siedetty Mutta ehkä muilla aloilla asiat ovat erilaisia. William Greene kuten edellä sanoo.1 I Ei olisi samaa mieltä kanssasi, että ZIP-malli on keskeyttämätön Kokemukseni mukaan ZINB-malli näyttää usein olevan liian tarkka. ZINB-mallissa on kahta heterogeenisuuden lähdettä, Paulin edellä keskustelema mahdollisesti tarpeettoman latentti heterogeenisyys ja sekoittaminen piilevistä luokista Kun ZINB-malli ei lähentyä tai muuten käyttäytyy huonosti, näyttää usein, koska ZIP-malli sopii paremmin mallinnustilanteeseen. paljon muuta keskustelua keskitytään siihen, mitä kutsun toiminnalliseksi lomakkeeksi. Paul tekee suuren osan tutkijan kohtaamasta määrittelemättömästä teorian ja datasarjan, joka sisältää nollan kantta. On vaarana, että se kuulostaa dogmaattiselta, Aion panostaa kantaani tilanteeseen, jossa tutkija on päättänyt sovittaa nollan täyttyneen mallin P tai NB, koska se on perusteltavissa taustalla olevan teorian avulla. Jos tutkijalla ei ole tällaista teoriaa, mutta tietolomake näyttää olevan nolla raskas, täällä ei todellakaan ole mitään väitettä. Kuten olen aikaisemmin sopinut, on olemassa monia ehdokkaita toiminnallisiin muotoihin, jotka saattavat käyttäytyä aivan samoin kuin ZI-malleja sellaisten sopivien toimenpiteiden suhteen, joita he haluavat käyttää, kuten AIC More on jäljempänä. 2 Katso edellä Vain yksi piste Kyllä, NB-malli on Poissonsin jatkuva gamma-sekoitus Mutta sekoitusprosessin luonne on täysin erilainen ZI-mallien äärellisestä sekoitusstrategiasta Jälleen kerran tämä on havainto teoriasta It ei auttavat perustelemaan zip-mallin tai minkä tahansa ehdotetun vaihtoehdon.3 Mielessäni sopivaa toimenpidettä tässä on monia. Monet ihmiset, jotka olen nähnyt tämän tuloksissa, keskustelevat login todennäköisyydestä, AIC: stä tai vieläkin pahemmasta pseudo-R-neliöstä, Määritellä lineaarisen regression regressio - kertoimen kerroin Olen jopa nähnyt, että kirjoittajat käsittelevät neliöiden summia Poisson - tai Probit-malleissa, kun he keskustelevat AIC - tai Pseudo R-neliöistä, vaikka mallissa tai estimaattorissa ei ole neliösummia. Nämä toimenpiteet eivät Kerro mitä tahansa mallin ennusteiden korrelaatiosta tai muusta vastaavuudesta havaittuun riippuviin muuttujiin Y-hattu ja y-havaittu ero eivät näy missään todennäköisyysfunktiona NB-mallissa, mutta on kuitenkin mahdollista Tehdä tällainen vertailu Jos analyytikko laskee ennustetun tuloksen ZINB-mallista käyttämällä ehdollista keskimääräistä funktiota, käytetään tämän ennustajan vastaavuutta ulos Tulevat, he voivat laskea tavanomaisen sovitustyön, joka neliytyy paremmin, mitä ihmiset tuntuvat pitävän mielessä sopivana toimenpiteenä. Yleisenä ehdotuksena ZINB-malli ylittää tämän toimimattomuuden vastaisen vastineen tällä toimenpiteellä. 4 Minulla ei ole kommentteja tässä painikkeissa siinä, että se työntää nykyaikaisia ohjelmistoja.5 Tulkintaongelma jatkuu syvemmälle kuin pelkästään selvittämään, mitä beta tarkoittaa, kun samaa muuttujaa moninkertaistava gammakuu esiintyy muualla samassa mallissa. Näissä epälineaarisissa malleissa beta tai gamma eivät tarjoa hyödyllistä mitataan assosiointi asianomaisen X: n ja riippuvaisen muuttujan odotetun arvon välillä Tutkijan tehtävänä on tuntea mallikertoimien vaikutukset Tämä edellyttää yleensä osittaisten vaikutusten arviointia ja arviointia Osittaiset vaikutukset näissä malleissa ovat epälineaarisia funktioita kaikki malliparametrit ja kaikki muuttujat mallissa ne ovat monimutkaisia Modern ohjelmisto on rakennettu auttamaan researc Hän tekee sen Tämä on jatkuvan kehityksen prosessi kuten MARGINS-komento Statassa ja nlogit s PARTIALS-komento. Ei ole mitään syytä, jos arvioinnin ainoa tarkoitus on ilmoittaa arvioitujen kertoimien merkit ja merkitys, mutta se on ymmärrettävä että epälineaarisissa yhteyksissä nämä todennäköisesti ovat merkityksettömiä.6 Moduulin parametrointi on mahdollista siten, että P b0 1 b0 exp beeta x 1 exp beta x, mikä on ehdotettu Aikaisemmin olemassa oleva ongelma Nollahypoteesi on, että b0 0, which is tricky to test, as Paul indicated However, if b0 0, then there is no ZIP model Or, maybe there is If b0 is zero, how do you know that beta 0 The problem of the chi-squared statistic when b0 is on the boundary of the parameter space is only the beginning How many degrees of freedom does it have If b0 0, then beta does not have to Don Andrews published a string of papers in Econometrica on models in which model parameters are unidentified under the null hypothesis This is a template case The interested reader might refer to them For better or worse, researchers have for a long time used the Vuong statistic to test for the Poisson or NB null against the zero inflation model The narrower model usually loses this race To sum this up, it is difficult to see the virtue of the reparameterized model The suggested test is invalid We don t actually know what it is testing The null model is just the Poisson or NB model The alternative is the zero inflated model, without the reparamaterization. Elizabeth Albright, PhD says. Thank you both for the interesting discussion I ve been working on a random effects negative binomial model to explain crime occurrence across a spatial grid The negative binomial model appears to fit quite well That said, I ve been thinking about whether there are two distinct data generating processes producing the zeros One, crime hasn t occurred, and two, crime occurred but has never been reported Perhaps then the ZINB makes sense I haven t tried it yet but will. Jakob Humaidan says. I think that it might be inappropriate to do as you describe for two reasons 1 The only reason why you came up with two possible classes of 0 s is that you know this is required for the ZI procedure, i e it is a post rationalization also mentioned in the discussion 2 You investigate where crime takes place so a 0 because no one reported a crime is not a real 0 the crime did take place For comparison, refer to the example from Paul Both groups of women sterile and those who just had no children were real 0 s none of them had children. Dalton Hance says. In all data sets that I ve examined, the negative binomial model fits much better than a ZIP model, as evaluated by AIC or BIC statistics And it s a much simpler model to estimate and interpret I get your second point in terms of a simpler model to estimate and interpret But I question your first point AIC and BIC are both based on the log likelihood Negative Binomial and ZIP have different probability density functions and thus different expression for likelihoods It s my understanding that AIC and BIC are meaningless when comparing models without the same underlying likelihood form. Paul Allison says. Good question, but I disagree To compare likelihoods or AICs or BICs , there s no requirement that the probability density functions be the same Only the data must be exactly the same For example, for a given set of data, I can compute the likelihood under a normal distribution or a gamma distribution The relative magnitudes of those likelihoods yields valid information about which distribution fits the data better. Ivan Kshnyasev says. Thank you both for the interesting discussion What do you think about two component hurdle models binomial gamma or Poisson or NegBin sees to me, it s easily interpretable and flexible tool. Paul Allison says. I don t know a lot about hurdle models, but they seem pretty similar to zero-inflated models They could be useful in some situations, but may be more complex than needed. Ivan Kshnyasev says. IMHO, they looks similar, but are easily interpretable and help to find some intresting effects, forexample different sign at the same predictor in binomial count part of the model. owolabi nurudeen says. What an intuitive discussion Using d NB model often d standard error estimates are lower in poisson than in NB which increases the likelihood of incorrectly detecting a significant effect in the poisson model But fitting ZI models predicts d correct mean counts and probability of zeros So I think ZINB is better to NB when having excess zeros. Jakob Humaidan says. Thank you both for the interesting discussion Can either of you tell me if a count dataset can contain such a large amount of zeros that none of the models mentioned in this blog NB, ZIP, ZINB are likely to work I have a count dataset that contains 126,733 cells out of which 125,524 count 0 That is, 99 05 of my dataset has a count of zero Is this a detrimental proportion, and s hould I instead do some random resampling of zero-cells in order to lower the number Thank you in advance. Paul Allison says. Well, ZINB should work in the sense of fitting the data Not sure whether it really makes sense, however In a case like this, I would be tempted to just dichotomize the outcome I don t see any advantage in sampling the zero cells. Ivan Kshnyasev says. Hi, Jakob Why don t try jast dichotomizing empty no and yes 0 or white black pixels then to logit-reg Another way agregate to bigger non-empty cells Poiss-like regression, or jast wait until lemming peak year. Jakob Humaidan says. Hi Paul Thank you for your answer I was wondering why you think that ZINB might not make sense Also, by dichotomize , do you mean using only the cells with values 0 The reason why I might need some zero cells is that this is a study of lemming habitat choice as expressed by the response variable number of winter nests in a cell as a function of some environmental explanatory variables related to snow cover and vegetation characteristics I thought, then, that in order to best uncover the relation between my explanatory variables and my response variable, cells with especially poor environmental conditions and zero nests ought also to be represented. Paul Allison says. Regarding the second question, I simply meant to dichotomize into zero and not zero By make sense I meant is it reasonable to suppose that there is some substantial fraction of cases that have 0 probability of making a nest regardless of the values of any covariates. Jakob Humaidan says. Yes, you are right that a large number of cells will be zero, not because of the covariates, but just by chance and because there are not so many lemmings in the area to fill it out I understand that it is these unexplained zeros that you say make ZINB pointless I guess that they should have belonged to the group of structural zeros like sterile women in your example for things to make sense only they don t, since these cells could ea sily have housed one or more nests Could you elaborate a little bit on which approach and model you think might be better then By dichotomize into zero and not zero , do you mean run the data strictly as presence-absence in a logistic regression manner Immediately, I would like to make use of the counts, as I think they might add information to the analysis Finally, I would like to say that your advice and help is very much appreciated Being able to choose a meaningful and appropriate model for the data analysis above will allow me to move past a critical point and into the final stages of writing my master thesis on the topic Thank you in advance Best regards. Jakob Humaidan says. Hi Paul Sorry, I just read your comment correctly now What I wrote above still applies to the dataset, though The answer to your question is it reasonable to suppose that there is some substantial fraction of cases that have 0 probability of making a nest regardless of the values of any covariates must be No T here are no sterile women in this dataset The only reason why a large part of the cells count zero, regardless of values of covariates, is that there are so relatively few lemmings in the area that they cannot take up all of the space even some of the attractive locations I understand that it is the ZI and hurdle approaches that make the assumption of a fraction of observations bound to be 0 regardless of covariates Since you say that the basic negative binomial regr model without ZI can also handle many zeros might that be the road to go down, then. Paul Allison says. I d say give it a try. Lorien Elleman says. I have been researching ZIP and have come across differing suggestions of when it would be appropriate to use The example below is on a tutorial page for when zero-inflated analysis would be appropriate My guess is that you would say zero-inflated analysis is not appropriate in this example, as there is no subgroup of students who have a zero probability of a days absent count grea ter than 0 Thanks. School administrators study the attendance behavior of high school juniors over one semester at two schools Attendance is measured by number of days of absent and is predicted by gender of the student and standardized test scores in math and language arts Many students have no absences during the semester. Paul Allison says. I agree that this is not an obvious application for ZIP or ZINB Surely all students have some non-zero risk of an absence, due to illness, injury, death in family, etc. ZI models may provide some explanations of the presenting of zeros I do not know if this is an advantage of ZI models And many thanks for your nice blog. Jim Graham says. This blog is going to be required reading for my students If only they could have this type of discourse Thanks. SIr, I work on crime data but I am facing an interesting problem When I fit the count data models I find that the ZINB explains the problem better but when I plot the expected dependent values, the poisson di stribution controlled for cluster heterogeneity fits better. Does it have something to do with your debate. Paul Allison says. Ranaivo Rasolofoson says. Paul, In this post you seem to recommend the standard negative binomial regression as a better way to deal with overdispersion In another post Beware of Software for Fixed Effects Negative Binomial Regression on June 8th, 2012, you argued that some software that use HHG method to do conditional likelihood for a fixed effects negative binomial regression model do not do a very good job Then, if one uses these softwares, it may be wise to use ZIP than negative binomial regression Right. Paul Allison says. Well, to the best of my knowledge, there s no conditional likelihood for doing fixed effects with ZIP So I don t see any attraction for that method. Ranaivo Rasolofoson says. OK I see To sum up 1 Standard Poisson model does not work because it cannot deal with overdispersion and zero excesses 2 Negative binomial model does not do appropriate co nditional likelihood, at least for some software SAS, STATA 3 There is no conditional likelihood for ZIP Then, it is kind of tough because there is no model that can appropriately deal with overdispersion and zero excesses There is the pglm package in R but there is not much information about how it deals with these two you happen to know more about it A solution may be to do Poisson fixed effects with quasi-maximum likelihood estimator QMLE This can be done in Stata However, I read that QMLE can overcome overdispersion but does not do great job with zero excesses Any thought about QMLE. Paul Allison says. I agree with your three points But, as I suggested, the negative binomial model often does just fine at handling excess zeros And you can do random effects NB with the menbreg command in Stata or the GLIMMIX procedure in SAS For fixed effects, you can do unconditional ML or use the hybrid method described in my books on fixed effects I don t know much about pglm, and the documentation is very sparse QMLE is basically MLE on the wrong model, and I don t think that s a good way to go in this case. Ranaivo Rasolofoson says. By the way, you said earlier that there s no conditional likelihood for doing fixed effects with ZIP What about PROC TCOUNTREG in SAS Somethig like MODEL dependent DIST ZIP ERRORCOMP FIXED Does not it do ZIP fixed effects conditional likelihood. Paul Allison says. I just tried that and got an error message saying that the errorcomp option was incompatible with the zeromodel statement But I was using SAS 9 3 Maybe it works in 9 4.Jwan Kamla says. Many thanks sir for this explanation 35 of my data includes zero values, do I need to apply zero-inflated negative binomial, or it is OK to use standard or random-parameter negative binomial Regards. Paul Allison says. Just because you have 35 zeros, that does not necessarily mean that you need a zero-inflated negative binomial A standard NB may do just fine. Negative Binomial model is an alternative to poisson mode l and it s specifically useful when the sample mean exceeds the sample Poisson model the mean and variance are equal Zero-inflated model is only applicable when we have two sources of zero namelystructural and hurdle models are suitable when we only have a single source, I e structural Regarding the data with 35 zeros first compute the mean and variance of the data if the mean and variance are equal fit poisson model if not try negative Binomial NB doesn t fit we ll check the characteristics of the zero, in terms of structural and decide to fit zero-inflated model or hurdle model. Paul Allison says. While I generally agree with your comment, you can t just check the sample mean and variance to determine whether the NB is better than the Poisson That s because, in a Poisson regression model, the assumption of equality applies to the CONDITIONAL mean and variance, conditioning on the predictors It s quite possible that the overall sample variance could greatly exceed the sample mean even und er a Poisson model Also, there s nothing in the data that will tell you whether some zeros are structural and some are sampling That has to be decided on theoretical grounds. Petr Otahal says. Thank you for an informative blog Can I please call on your time to clarify an analysis that I have that I believe should follow a ZINB I am unsure if I have it right and if the interpretations are correct. We have data on CV related ultrasound testing in regions of varying size over a year Many of these regions are very small and may not carry out any testing since there are no services available no cardiologists and some may carry out testing that has not been reported to us due to privacy reasons also likely to be related to few cardiologists We are using a ZINB with number of cardiologists as the predictor in the inflation-part of the model and we get what we believe to be sensible results as number of cardiologists increase in a region the odds of a certain structural zero decreases dramaticall y Can you verify that the interpretation of this part of the model is correct I assume that the negative binomial part of the model is interpreted the normal way i e that each factor influences the rate of testing carried out in each region we have a log population offset. Paul Allison says. No, that is not what I am saying ZIP and ZINB models both partition the zero values into some part that is attributable to the Poisson or negative binomial distribution and some part that is attributable to an extra-zeroes portion Typically, one does not estimate the overall mean value taking into account the two different distributional components. There is no such partitioning of zero values when you have a continuous, positive response along with some zero values The zero values are known to be from a single distribution So, there is no need to simultaneously estimate parameters of the two distributional components in order to disentangle the distributional parameters You can just fit a regression model for whether the response is zero-valued using all of the data and also fit a separate regression model to the observations which have positive value to get parameters of your logarithmic distribution. But you want to extend the concept of these models to estimating a person-specific mean value that takes into account the zero probability model and the positive value expectation This is not something that is typically done for the ZIP and ZINB models to my knowledge. The estimate of the expectation in the entire data including the zero values and the positive values can be easily obtained I have already stated that Regardless of whether you estimate the parameters of the two components simultaneously or whether you estimate the parameters of the two components in separate regressions, you can compute the expectation But whether the estimated standard error of the expectation is a good statistic is something which I don t know As I stated above, I don t believe that inferences about the expectation are necessarily part of a ZIP or ZINB model This may be an area that requires further investigation The standard error may be just fine But I would not want to assume that it is OK without investigating the properties of the estimate of the SE. In my situation, I am interested in inferences about the difference in group means in a 2X2 factorial design with 2 blocking factors just for good measure in order to do so, I need to know the variance and therefore the standard error of my groups of interest, and therefore, based on your comments modeling two seperate outcomes with proc logistic and proc mixed is not the most appropriate approach, despite its simplicity. I guess, using your reference above, I have two questions.1 How to come up with adequate starting point for the parameters in the param statement 2 Do I simply extend the logic for handling a blocked, factorial design with repeated measures as I would if this were proc mixed. The more I look at NLMIXED, the scarier it gets. Typically, zero values are safe initial parameter estimates for most parameters A zero value cannot be employed to initialize a variance However, if the model is parameterized such that you don t estimate the variance directly, but instead parameterize the model to estimate the log of the variance or, log of the square root of the variance , then a zero-value for the parameter which represents log Variance or log SD is a reasonable initial parameter. The blocking factors will introduce random effects into the model, right You don t say whether those blocking factors are crossed or nested The NLMIXED procedure cannot handle crossed random effects The NLMIXED procedure has some ability to handle designs with nested random effects But the number of levels of the nested blocking factor need to be relatively small if you are to fit the nested design using the NLMIXED procedure What exactly is your design.2X2 Factorial with 2 blocks crossed. So I guess Ill go back to original thought 2 seperate models. Same topic, new issue. Using the concepts previously stated, I can see how modelling 1 the binary responses 0 vs 0 and 2 for those that are positive, the continuous responses, works well in most cases In my case however, I have longitudinal data here is my problem. obs time1 time2 time3 1 1232 0 1121 2 119 989 0 3 0 0 3411.If I had only one response variable, both types of responses can be handled based on the seperate models approach you suggested However, although my binary 0 vs 0 logistic model holds in the example above, I believe I would need to drop all three of these observations, as the entire point of modelling the 0 s seperately is so that I can obtain an accurate mean response of the continous variables keeping those obs with 0 values goes against what I am trying to accomplish, dropping means a large loss of data. What I meant to say was. If I had only one response variable, both types of responses can be handled based on the seperate models approach you sugge sted However, although my binary 0 vs 0 logistic model holds in the example above, for the continous model I believe I would need to drop all three of these observations as the entire point of modelling the 0 s seperately is so that I can obtain an accurate mean response of the continous variables keeping those obs with 0 values goes against what I am trying to accomplish, dropping means a large loss of data. This may be too late for you, but if you have sas 9 22, check out the new experimental procedure called PROC SEVERITY Below is a quote from the User Guide I have not used it yet, but it has great potential for dealing with unusual continuous distributions. The SEVERITY procedure estimates parameters of any arbitrary continuous probability distribution that is used to model magnitude severity of a continuous-valued event of interest Some examples of such events are loss amounts paid by an insurance company and demand of a product as depicted by its sales PROC SEVERITY is especially u seful when the severity of an event does not follow typical distributions, such as the normal distribution, that are often assumed by standard statistical methods. PROC SEVERITY provides a default set of probability distribution models that includes the Burr, exponential, gamma, generalized Pareto, inverse Gaussian Wald , lognormal, Pareto, and Weibull distributions In the simplest form, you can estimate the parameters of any of these distributions by using a list of severity values that are recorded in a SAS data set The values can optionally be grouped by a set of BY variables PROC SEVERITY computes the estimates of the model parameters, their standard errors, and their covariance structure by using the maximum likelihood method for each of the BY groups.
No comments:
Post a Comment