Perguntas com a marcação «zero-inflation»

0s excessivos em uma variável em comparação com uma distribuição de referência especificada. As abordagens de regressão incluem modelos inflados a zero e modelos de obstáculos (2 partes). Para dados de contagem, são comuns modelos inflados a zero e obstáculos com base em Poisson ou em distribuições binomiais negativas (ZIP / ZINB e HP / HNB).


4
Qual é a diferença entre os modelos inflado a zero e os obstáculos?
Gostaria de saber se existe uma diferença clara entre as chamadas distribuições infladas com zero (modelos) e as chamadas distribuições com obstáculo a zero (modelos)? Os termos ocorrem com bastante frequência na literatura e suspeito que não sejam os mesmos, mas você poderia me explicar a diferença em termos simples?

3
Um exemplo: regressão do LASSO usando glmnet para resultado binário
Estou começando a se envolver com o uso de glmnetcom LASSO Regressão onde meu desfecho de interesse é dicotômica. Criei um pequeno quadro de dados simulado abaixo: age <- c(4, 8, 7, 12, 6, 9, 10, 14, 7) gender <- c(1, 0, 1, 1, 1, 0, 1, 0, 0) bmi_p …
78 r  self-study  lasso  regression  interpretation  anova  statistical-significance  survey  conditional-probability  independence  naive-bayes  graphical-model  r  time-series  forecasting  arima  r  forecasting  exponential-smoothing  bootstrap  outliers  r  regression  poisson-distribution  zero-inflation  genetic-algorithms  machine-learning  feature-selection  cart  categorical-data  interpretation  descriptive-statistics  variance  multivariate-analysis  covariance-matrix  r  data-visualization  generalized-linear-model  binomial  proportion  pca  matlab  svd  time-series  correlation  spss  arima  chi-squared  curve-fitting  text-mining  zipf  probability  categorical-data  distance  group-differences  bhattacharyya  regression  variance  mean  data-visualization  variance  clustering  r  standard-error  association-measure  somers-d  normal-distribution  integral  numerical-integration  bayesian  clustering  python  pymc  nonparametric-bayes  machine-learning  svm  kernel-trick  hyperparameter  poisson-distribution  mean  continuous-data  univariate  missing-data  dag  python  likelihood  dirichlet-distribution  r  anova  hypothesis-testing  statistical-significance  p-value  rating  data-imputation  censoring  threshold 


1
Quando usar GLMs binomiais de Poisson vs. geométricos vs. negativos para dados de contagem?
Estou tentando fazer um layout para mim mesmo quando é apropriado usar qual tipo de regressão (geométrico, Poisson, binomial negativo) com dados de contagem, dentro da estrutura GLM (apenas 3 das 8 distribuições GLM são usadas para dados de contagem, embora a maioria do que Eu li centros em torno …



2
Por que exatamente a regressão beta não pode lidar com 0s e 1s na variável de resposta?
A regressão beta (ou seja, GLM com distribuição beta e geralmente a função de link de logit) é frequentemente recomendada para lidar com a resposta, também conhecida como variável dependente, recebendo valores entre 0 e 1, como frações, proporções ou probabilidades: Regressão para um resultado (proporção ou fração) entre 0 …



3
Um modelo para dados não negativos com aglomerado em zeros (Tweedie GLM, GLM inflado a zero, etc.) pode prever zeros exatos?
Uma distribuição Tweedie pode modelar dados assimétricos com uma massa de pontos em zero quando o parâmetro (expoente na relação média-variância) estiver entre 1 e 2.ppp Da mesma forma, um modelo inflado a zero (seja ele contínuo ou discreto) pode ter um grande número de zeros. Estou tendo problemas para …

3
Zero distribuição inflada, o que são realmente?
Estou lutando para entender zero distribuições infladas. O que eles são? Qual é o objetivo? Se eu tiver dados com muitos zeros, poderia ajustar uma regressão logística primeiro, calcular a probabilidade de zeros, remover todos os zeros e ajustar uma regressão regular usando minha escolha de distribuição (poisson, por exemplo). …

1
Regressão de Poisson inflada a zero
Suponha que são independentes eY=(Y1,…,Yn)′Y=(Y1,...,Yn)′ \textbf{Y} = (Y_1, \dots, Y_n)' Yi=0Yi=kwith probability pi+(1−pi)e−λiwith probability (1−pi)e−λiλki/k!Yi=0with probability pi+(1−pi)e−λiYi=kwith probability (1−pi)e−λiλik/k!\eqalign{ Y_i = 0 & \text{with probability} \ p_i+(1-p_i)e^{-\lambda_i}\\ Y_i = k & \text{with probability} \ (1-p_i)e^{-\lambda_i} \lambda_{i}^{k}/k! } Suponha também os parâmetros e p = ( p 1 , ... , …



Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.