Antaganden för multipel logistisk regression

Generaliserade linjära modeller i R

Richard Erickson

Instructor

Antaganden

  • Gäller även Poisson och andra GLM:er
  • Viktiga antaganden:
    • Simpsons paradox
    • Linjär, monoton
    • Oberoende
    • Överdispersion
Generaliserade linjära modeller i R

Exempel: Simpsons paradox

Exempel på linje som visar vad som händer när rätt grupp ignoreras.

Exempel på två linjer som illustrerar Simpsons paradox.

Generaliserade linjära modeller i R

Simpsons paradox

Viktiga punkter

  • Viktig prediktor saknas
  • Inkludering ändrar utfallet
  • Enkelt att visualisera med lm()
Generaliserade linjära modeller i R

Simpsons paradox och antagningsdata

Antagningsdata

  • University of California Berkeley
  • Antagning till forskarutbildning
  • Antagningsgrad per institution och kön
  • Finns det systematisk snedvridning?
Generaliserade linjära modeller i R

Exempelplot med linjär och monoton data, icke-linjär monoton data samt icke-linjär, icke-monoton data

Generaliserade linjära modeller i R

Oberoende

Prediktorer

  • Om alla är oberoende påverkar ordningen inte skattningarna
  • Om de inte är oberoende kan ordningen ändra skattningarna

Utfallsvariabel

  • Vad är analysenhet?
  • Individ, grupper eller grupper av grupper?
  • Testresultat
    • Enskild elev?
    • Lärare? Skola? Distrikt?
Generaliserade linjära modeller i R

Överdispersion

  • För många nollor eller ettor (binomial)
  • För många nollor, för stor varians (Poisson)
  • Variansen förändras
  • Utanför kursens scope
Generaliserade linjära modeller i R

Nu kör vi en övning!

Generaliserade linjära modeller i R

Preparing Video For Download...