As contagens zero precisam ser ajustadas para um teste de razão de verossimilhança de modelos poisson / loglinear?

Se houver 0 na tabela de contingência e estivermos ajustando modelos poisson / loglinear aninhados (usando a glmfunção de R ) para um teste de razão de verossimilhança, precisamos ajustar os dados antes de ajustar os modelos glm (por exemplo, adicione 1/2 a todos as contagens)? Obviamente, alguns parâmetros não podem ser estimados sem algum ajuste, mas como o ajuste / falta de ajuste afeta o teste LR?

— BR1
fonte

presumivelmente, a glmrotina seria ruim se não pudesse lidar com zeros. tentaste?

— shabbychef

Sim, ele não trava, mas, dependendo da fórmula (por exemplo, em um modelo saturado), alguns dos parâmetros podem ter efetivamente erros padrão infinitos. Minha pergunta é se isso é um problema ao fazer um teste de razão de verossimilhança. Você ainda pode calcular uma probabilidade, mesmo que alguns parâmetros não sejam estimados; esses parâmetros simplesmente não contribuirão para a probabilidade. Qual é a prática padrão e por quê?

— BR1

Um dos poderes da modelagem de regressão geralmente é que você pode suavizar áreas sem dados - embora, como você tenha notado, ocasionalmente haja problemas na estimativa de parâmetros. Eu sugeriria que, se você está recebendo erros padrão infinitos, é hora de reconsiderar sua abordagem de modelagem.

Uma observação particular de cautela: existe uma diferença entre "Não ter contagens" em um determinado estrato e é impossível que haja contagens nesses estratos. Por exemplo, imagine que você esteja trabalhando em um estudo de distúrbios psicológicos para a Marinha dos EUA entre 2000 e 2009, e tenha termos de regressão binária para "É uma mulher" e "Serve em um submarino". Um modelo de regressão pode ser capaz de estimar efeitos em que ambas as variáveis = 1, apesar de ter uma contagem zero em que ambas = 1. No entanto, essa inferência não seria válida - tal circunstância é impossível. Esse problema é chamado de "não positividade" e, ocasionalmente, é um problema em modelos altamente estratificados.

— Fomite
fonte

@ skyguy94 Por incrível que pareça, eu não sabia - acabei de me esquecer de observar o uso de um conjunto de dados retrospectivos>. <. Editado para refletir isso.

— fomite

Re: "Um modelo de regressão pode ser capaz de estimar efeitos onde ambas as variáveis = 1 ou interações entre as duas " - não acho que isso seja verdade. Se você tiver dois preditores binários que nunca são '1' juntos, a interação é constante (sempre é '0'), portanto, seu efeito não é identificado.

— Macro

@ Macro Você está certo, estou editando um pouco. Eu estava pensando em termos em que eles não são indicadores binários.

— Fomite

(+1) Portanto, problemas com a não plausibilidade do caso em que ambos = 1 à parte, a estimativa baseada no modelo seria apenas a soma dos dois efeitos marginais, que sabemos que podem ser muito enganadores por si só :)

— Macro