on Februar 9, 2023

Implementierung der gewichteten multiplen linearen Regression mit GEE

Geografische Informationssysteme

Was ist eine gewichtete GEE?

Gewichtete verallgemeinerte Schätzgleichungen (Weighted Generalized Estimating Equations, WGEE) sind eine Erweiterung verallgemeinerter linearer Modelle auf longitudinale oder geclusterte Daten durch Einbeziehung der Korrelation innerhalb von Clustern bei fehlenden Zufallsdaten (Missing at Random, MAR). Die Parameter für Mittelwert, Skala und Korrelationsstrukturen werden auf der Grundlage der Quasi-Likelihood geschätzt.

Was sind die gewichteten Methoden zur Analyse fehlender Daten mit dem GEE-Verfahren?

Das GEE-Verfahren implementiert zwei gewichtete Methoden, eine beobachtungsspezifische und eine subjektspezifische, zur Schätzung des Regressionsparameters ˇ beim Auftreten von Dropouts. Beide liefern konsistente Schätzungen, wenn die Daten MAR sind.

Was ist der Unterschied zwischen GEE und gemischtem Modell?

Die Modellierung mit gemischten Effekten erlaubt sowohl feste (auch marginale) als auch zufällige Effekte, während die GEE-Modellierung nur feste Effekte zulässt. Ein fester Effekt ist vergleichbar mit einem Populationseffekt: Es wird angenommen, dass eine gemessene Variable einen einzigen Effekt in der gesamten Population hat.

Erfordert GEE ausgeglichene Daten?

– nicht bevorzugt, da sie ausgewogene und vollständige Datensätze erfordern, normalverteilte Antwortvariablen voraussetzen und die Analyse von Kovariaten, die sich im Laufe der Zeit ändern, nicht zulassen.

Was ist der Unterschied zwischen GLMM und GEE?

Während das GLMM die Korrelation innerhalb des Subjekts explizit durch die Verwendung von Zufallseffekten modelliert, berücksichtigt das GEE solche Korrelationen implizit durch die Verwendung von Varianzschätzungen vom Sandwich-Typ 6. Analysis of Longitudinal Data, 2, Oxford: Oxford University Press.

Welchen Vorteil bietet GEE?

Genetische Schätzgleichungen (GEE) sind ein bequemer und allgemeiner Ansatz für die Analyse verschiedener Arten von korrelierten Daten. Der Hauptvorteil von GEE liegt in der unverzerrten Schätzung von populationsgemittelten Regressionskoeffizienten trotz möglicher Fehlspezifikation der Korrelationsstruktur.

Ist GEE gegenüber fehlenden Daten robust?

Es hat sich gezeigt, dass GEE konsistente Schätzungen der Regressionsparameter für ein marginales Modell liefert, wenn die Daten vollständig zufällig fehlen (MCAR). Wenn jedoch Daten nach dem Zufallsprinzip fehlen (MAR), sind die GEE-Schätzungen möglicherweise nicht konsistent; die in diesem Papier vorgeschlagenen MI-Ansätze minimieren die Verzerrungen unter MAR.

Kann GEE auch mit fehlenden Daten umgehen?

Wir schlagen zwei Methoden für den Umgang mit fehlenden Daten in GEE-Analysen (Generalized Estimating Equation) vor: Mittelwert-Imputation und Mehrfach-Imputation. Beide Methoden liefern gültige GEE-Schätzungen, wenn Daten nach dem Zufallsprinzip fehlen. Fehlende Ergebnisse werden sequentiell imputiert, beginnend mit dem Ergebnis, das dem beobachteten Ergebnis zeitlich am nächsten liegt.

Wie werden fehlende Daten mehrfach imputiert?

Berechnung von Imputationen

  1. Passen Sie Ihre Daten in ein geeignetes Modell an.
  2. Schätzen Sie einen fehlenden Datenpunkt mit dem ausgewählten Modell an. Gleiches Modell oder verschiedene Modelle) 2-5-mal für jeden fehlenden Datenpunkt (dies gibt Ihnen mehrere Optionen für die fehlenden Daten).
  3. Führen Sie Ihre Datenanalyse durch.

Was misst die GEE?

In der Statistik wird eine verallgemeinerte Schätzgleichung (GEE) verwendet, um die Parameter eines verallgemeinerten linearen Modells mit einer möglichen ungemessenen Korrelation zwischen Beobachtungen aus verschiedenen Zeitpunkten zu schätzen.

Was bewirken Gewichte in GLM?

Gewichte werden verwendet, um Ihrem Modell mitzuteilen, dass einige Beobachtungen wichtiger sind als andere.



Was sind gewichtete Durchschnittsprognosen?

Die gewichtete Durchschnittsprognose ist eine Methode, mit der auf der Grundlage der bisherigen Leistung eines Artikels und eines zugewiesenen „Gewichts“ oder Schwerpunkts bestimmt wird, wie viel Bestand vorrätig gehalten werden soll. Die Formel funktioniert gut für Artikel, die sich regelmäßig verkaufen, mit Verkäufen in mindestens 8 der letzten 12 Perioden.