Question

这是数据和设置：

library(fitdistrplus)
library(gamlss)

finalVector <- dput(finalVector)
c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 2, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 1, 2, 1, 1, 1, 1, 1, 
1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 2, 1, 3, 2, 1, 1, 1, 1, 1, 1, 2, 
2, 1, 4, 2, 3, 1, 2, 3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 
2, 1, 2, 2, 1, 1, 4, 1, 2, 2, 1, 1, 1, 1, 1, 2, 1, 1, 2, 2, 1, 
2, 1, 1, 4, 2, 2, 1, 1, 2, 1, 1, 1, 1, 1, 1)

countFitPoisson <- fitdist(finalVector,"pois",  method = "mle", lower = 0)
countFitZeroPoisson <- fitdist(finalVector, 'ZIP', start = list( ##mu  = mean of poisson, sigma = prob(x = 0))
                                                           mu = as.numeric(countFitPoisson$estimate), 
                                                            sigma = as.numeric(as.numeric(countFitPoisson$estimate))
                                                          ), method = "mle", lower= 0)

第一次通话成功。决赛说它没有估计，我不知道为什么。谢谢！

修改

假设我正确地完成了代码（不确定），那么我唯一能想到的是没有足够的零来适应模型吗？

Answer 1

您的数据实际上并非零膨胀，因此拟合模型不会带来改进。我使用fitdistr和扩展回归模型，而不是使用glm方法。但是，所有回归（子）模型只使用常数（或截距）而没有任何实际的回归量。为了可视化，我使用R-Forge提供的countreg包（其中包含pscl计数数据回归的后续函数）来使用根图。

首先，让我们看看Poisson拟合：

(mp <- glm(finalVector ~ 1, family = poisson))
## Call:  glm(formula = finalVector ~ 1, family = poisson)
## 
## Coefficients:
## (Intercept)  
##      -0.284  
## 
## Degrees of Freedom: 181 Total (i.e. Null);  181 Residual
## Null Deviance:      200.2 
## Residual Deviance: 200.2        AIC: 418.3

这对应于exp(-0.284)的拟合平均值，即约0.753。如果您比较观察到的和适合的频率，这非常适合数据：

library("countreg")
rootogram(mp)

这表明计数0,1,2的拟合基本上是完美的，并且3,4,5只有很小的偏差，但这些频率无论如何都非常低。因此，从这一点来看，似乎不需要扩展模型。

rootogram

但是要正式将模型与其他模型进行比较，可以考虑使用零膨胀泊松（如您所尝试的）障碍泊松或负二项式。零膨胀模型产生：

(mzip <- zeroinfl(finalVector ~ 1 | 1, dist = "poisson"))
## Call:
## zeroinfl(formula = finalVector ~ 1 | 1, dist = "poisson")
## 
## Count model coefficients (poisson with log link):
## (Intercept)  
##     -0.2839  
## 
## Zero-inflation model coefficients (binomial with logit link):
## (Intercept)  
##      -9.151

因此，计数均值基本上与之前相同，零通胀概率基本为零（plogis(-9.151)约为0.01％）。

障碍模型的工作方式类似，但可以使用0-vs-greater的零删失泊松模型和正数的截断泊松。然后，它也嵌套在Poisson模型中，因此可以轻松地进行Wald测试：

mhp <- hurdle(finalVector ~ 1 | 1, dist = "poisson", zero.dist = "poisson")
hurdletest(mhp)
## Wald test for hurdle models
## 
## Restrictions:
## count_((Intercept) - zero_(Intercept) = 0
## 
## Model 1: restricted model
## Model 2: finalVector ~ 1 | 1
## 
##   Res.Df Df Chisq Pr(>Chisq)
## 1    181                    
## 2    180  1 0.036     0.8495

这也清楚地表明没有多余的零和简单的泊松模型就足够了。

作为最终检查，我们也可以考虑使用负二项模型：

(mnb <- glm.nb(finalVector ~ 1))
## Call:  glm.nb(formula = finalVector ~ 1, init.theta = 125.8922776, link = log)
## 
## Coefficients:
## (Intercept)  
##      -0.284  
## 
## Degrees of Freedom: 181 Total (i.e. Null);  181 Residual
## Null Deviance:      199.1 
## Residual Deviance: 199.1        AIC: 420.3

这又具有几乎相同的均值和巨大的θ参数，足够接近无穷大（=泊松）。因此，总体而言泊松模型就足够了，并且不需要考虑任何扩展。可能性几乎没有变化，附加参数（零通胀，零障碍，θ-离散）不会产生任何改善：

AIC(mp, mzip, mhp, mnb)
##      df      AIC
## mp    1 418.2993
## mzip  2 420.2996
## mhp   2 420.2631
## mnb   2 420.2959

零膨胀泊松模型不适合

1 个答案: