我使用geepack
为R来估算geeglm()
的逻辑边际模型。但我得到垃圾估计。它们大约16个数量级太大。然而,p值似乎与我的预期相似。这意味着响应基本上成为阶梯函数。见附图
以下是生成图表的代码:
require(geepack)
data = read.csv(url("http://folk.uio.no/mariujon/data.csv"))
fit = geeglm(moden ~ 1 + power, id = defacto, data=data, corstr = "exchangeable", family=binomial)
summary(fit)
plot(moden ~ power, data=data)
x = 0:2500
y = predict(fit, newdata=data.frame(power = x), type="response" )
lines(x,y)
这是回归表:
Call:
geeglm(formula = moden ~ 1 + power, family = binomial, data = data,
id = defacto, corstr = "exchangeable")
Coefficients:
Estimate Std.err Wald Pr(>|W|)
(Intercept) -7.38e+15 1.47e+15 25.1 5.4e-07 ***
power 2.05e+13 1.60e+12 164.4 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Estimated Scale Parameters:
Estimate Std.err
(Intercept) 1.03e+15 1.65e+37
Correlation: Structure = exchangeable Link = identity
Estimated Correlation Parameters:
Estimate Std.err
alpha 0.196 3.15e+21
Number of clusters: 3 Maximum cluster size: 381
希望得到一些帮助。谢谢!
亲切的问候,
的Marius
答案 0 :(得分:6)
我将给出三个程序,每个程序都是边缘化的随机拦截模型(MRIM)。这些MRIM具有边际逻辑解释的系数,并且其幅度小于GEE:
| Model | (Intercept) | power | LogL |
|-------|-------------|--------|--------|
| `L_N` | -1.050| 0.00267| -270.1|
| `LLB` | -0.668| 0.00343| -273.8|
| `LPN` | -1.178| 0.00569| -266.4|
与没有考虑任何相关性的glm进行比较,供参考:
| Model | (Intercept) | power | LogL |
|-------|-------------|--------|--------|
| strt | -0.207| 0.00216| -317.1|
边缘化随机拦截模型(MRIM)值得探索,因为您需要具有可交换相关结构的边缘模型用于聚类数据,这是MRIM所展示的结构类型。
R script with comments中的代码(尤其是GITHUB repo)和文献的PDF文件。我详细介绍了下面的代码和文献。
MRIM的概念自1999年以来一直存在,关于此的一些背景知识在GITHUB repo。我建议首先阅读 Swihart et al 2014 ,因为它会审查其他论文。
按时间顺序 -
L_N
Heagerty(1999):该方法适用于具有正态分布随机截距的随机拦截逻辑模型。诀窍在于随机截距模型中的预测器使用边际系数进行非线性参数化,以便得到的边际模型具有边际逻辑解释。它的代码是lnMLE
R包(不在CRAN上,但在Patrick Heagerty的网站上here)。这种方法在代码中用L_N
表示,表示边际上的logit(L),条件尺度上没有解释(_)和正常(N)分布式随机截距。
LLB
Wang&amp;路易斯(2003):该方法适用于具有桥分布式随机拦截的随机拦截逻辑模型。与Heagerty 1999不同,其中技巧是随机拦截模型的非线性预测器,技巧是特殊的随机效应分布(桥分布),允许随机截距模型和结果边际模型具有逻辑解释。其代码使用gnlmix4MMM.R
(在repo中)实现,该rmutil
使用repeated
和LLB
R包。这种方法在代码中用LPN
表示,表示边际上的logit(L),条件尺度上的logit(L)和桥(B)分布式拦截。
gnlmix4MMM.R
Caffo和Griswold(2006):该方法适用于具有正态分布随机截距的随机拦截 probit 模型,而Heagerty 1999使用 logit 随机拦截模型。这种替换使得计算更容易,并且仍然产生边际logit模型。其代码使用rmutil
(在repo中)实现,该repeated
使用LPN
和gnlmix4MMM.R
R包。这种方法在代码中用rmutil
表示,表示边际上的logit(L),条件尺度上的概率(P)和正常(N)分布的截距。
Griswold et al (2013):另一篇评论/实用介绍。
Swihart et al 2014 :这是Heagerty 1999和Wang&amp; Sons的评论文章。路易斯2003以及其他人并推广了MRIM方法。最有趣的概括之一是允许边际和条件模型中的逻辑CDF(等效地,logit链接)代替近似于逻辑CDF的稳定分布。其代码使用repeated
(在repo中)实现,该SSS
使用#code from OP Question: edit `data` to `d`
require(geepack)
d = read.csv(url("http://folk.uio.no/mariujon/data.csv"))
fit = geeglm(moden ~ 1 + power, id = defacto, data=d, corstr = "exchangeable", family=binomial)
summary(fit)
plot(moden ~ power, data=d)
x = 0:2500
y = predict(fit, newdata=data.frame(power = x), type="response" )
lines(x,y)
#get some starting values from glm():
strt <- coef(glm(moden ~ power, family = binomial, data=d))
strt
#I'm so sorry but these methods use attach()
attach(d)
和L_N
R包。我在R script with comments中表示# marginally specifies a logit link and has a nonlinear conditional model
# the following code will not run if lnMLE is not successfully installed.
# See https://faculty.washington.edu/heagerty/Software/LDA/MLV/
library(lnMLE)
L_N <- logit.normal.mle(meanmodel = moden ~ power,
logSigma= ~1,
id=defacto,
model="marginal",
data=d,
beta=strt,
r=10)
print.logit.normal.mle(L_N)
表示边际上的稳定(S),条件尺度上的稳定(S)和稳定(S)分布的截距。它包含在R脚本中,但在本文中没有详细说明。
LLB
LPN
Heagerty(1999)library("gnlm")
library("repeated")
source("gnlmix4MMM.R") ## see ?gnlmix; in GITHUB repo
y <- cbind(d$moden,(1-d$moden))
LLB
和LLB <- gnlmix4MMM(y = y,
distribution = "binomial",
mixture = "normal",
random = "rand",
nest = defacto,
mu = ~ 1/(1+exp(-(a0 + a1*power)*sqrt(1+3/pi/pi*exp(pmix)) - sqrt(1+3/pi/pi*exp(pmix))*log(sin(pi*pnorm(rand/sqrt(exp(pmix)))/sqrt(1+3/pi/pi*exp(pmix)))/sin(pi*(1-pnorm(rand/sqrt(exp(pmix))))/sqrt(1+3/pi/pi*exp(pmix)))))),
pmu = c(strt, log(1)),
pmix = log(1))
print("code: 1 -best 2-ok 3,4,5 - problem")
LLB$code
print("coefficients")
LLB$coeff
print("se")
LLB$se
LPN
LPN <- gnlmix4MMM(y = y,
distribution = "binomial",
mixture = "normal",
random = "rand",
nest = defacto,
mu = ~pnorm(qnorm(1/(1+exp(-a0 - a1*power)))*sqrt(1+exp(pmix)) + rand),
pmu = c(strt, log(1)),
pmix = log(1))
print("code: 1 -best 2-ok 3,4,5 - problem")
LPN$code
print("coefficients")
LPN$coeff
print("se")
LPN$se
Wang和Louis(2003)rbind("L_N"=L_N$beta, "LLB" = LLB$coefficients[1:2], "LPN"=LPN$coefficients[1:2])
rbind("L_N"=L_N$logL, "LLB" = -LLB$maxlike, "LPN"=-LPN$maxlike)
Caffo和Griswold(2006)Dim s As String = Regex.Unescape("c:\\folder1\\file1.txt\nc:\\folder1\\file2.txt\nc:\\folder1\\file3.txt")
来自3种方法的{{1}}
{{1}}