В статистике , девиация является благость-из-припадка статистики для статистической модели ; он часто используется для проверки статистических гипотез . Это обобщение идеи использования суммы квадратов остатков в обычном методе наименьших квадратов на случаи, когда подгонка модели достигается с помощью максимального правдоподобия . Он играет важную роль в моделях экспоненциальной дисперсии и обобщенных линейных моделях .
Определение [ править ]
Единичное отклонение [1] [2] является двумерной функцией, удовлетворяющей следующим условиям:
Общее отклонение модели с прогнозами о наблюдении является суммой его единичных отклонений: .
(Общее) отклонение для модели M 0 с оценками , основанными на наборе данных y , может быть построено по его вероятности как: [3] [4]
Здесь обозначены подогнанные значения параметров в модели M 0 , а обозначены подогнанные параметры для насыщенной модели : оба набора подогнанных значений неявно являются функциями наблюдений y . Здесь насыщенная модель - это модель с параметром для каждого наблюдения, чтобы данные точно соответствовали. Это выражение просто в 2 раза больше логарифмического отношения правдоподобия полной модели по сравнению с сокращенной моделью. Отклонение используется для сравнения двух моделей - в частности, в случае обобщенных линейных моделей (GLM), где оно играет роль, аналогичную остаточной дисперсии ANOVA в линейных моделях ( RSS).
Допустим, в рамках GLM у нас есть две вложенные модели , M 1 и M 2 . В частности, предположим, что M 1 содержит параметры из M 2 и k дополнительных параметров. Затем при нулевой гипотезе о том, что M 2 является истинной моделью, разница между отклонениями для двух моделей следует, основываясь на теореме Уилкса , приближенном распределении хи-квадрат с k- степенями свободы. [4] Это можно использовать для проверки гипотез об отклонении.
Некоторое использование термина «отклонение» может сбивать с толку. Согласно Коллетту: [5]
- «количество иногда называют отклонением . Это [...] неуместно, поскольку в отличие от отклонения, используемого в контексте обобщенного линейного моделирования, оно не измеряет отклонение от модели, которая идеально соответствует данным». Однако, поскольку основное использование заключается в разнице отклонений двух моделей, эта путаница в определении не имеет значения.
Примеры [ править ]
Единичное отклонение для распределения Пуассона равно , единичное отклонение для нормального распределения равно .
См. Также [ править ]
- Информационный критерий Акаике
- Информационный критерий отклонения
- Тест Хосмера – Лемешоу , статистика качества соответствия, которая может использоваться для двоичных данных.
- Критерий хи-квадрат Пирсона , альтернативная статистика качества соответствия для обобщенных линейных моделей для данных подсчета
- Критерий Пирса
Заметки [ править ]
- Перейти ↑ Jørgensen, B. (1997). Теория дисперсионных моделей . Чепмен и Холл.
- ^ Песня, Петр X. -K. (2007). Коррелированный анализ данных: моделирование, аналитика и приложения . Серии Спрингера в статистике. Серии Спрингера в статистике. DOI : 10.1007 / 978-0-387-71393-9 . ISBN 978-0-387-71392-2.
- ^ Нелдер, JA ; Веддерберн, RWM (1972). «Обобщенные линейные модели». Журнал Королевского статистического общества. Серия А (Общие) . 135 (3): 370–384. DOI : 10.2307 / 2344614 . JSTOR 2344614 . S2CID 14154576 .
- ^ a b Маккаллах и Нелдер (1989): стр.17
- ^ Коллетт (2003): стр.76
Ссылки [ править ]
- Маккаллах, Питер ; Нелдер, Джон (1989). Обобщенные линейные модели, второе издание . Чепмен и Холл / CRC. ISBN 0-412-31760-5.
- Коллетт, Дэвид (2003). Моделирование данных о выживании в медицинских исследованиях, второе издание . Чепмен и Холл / CRC. ISBN 1-58488-325-1.
Внешние ссылки [ править ]
- Обобщенные линейные модели - Эдвард Ф. Коннор
- Заметки к лекциям по девиансам