Skip to content
Our Planet TodayAnswers for geologist, scientists, spacecraft operators
on février 9, 2023

Mise en œuvre de la régression linéaire multiple pondérée avec GEE

Systèmes d'information géographique

Contents:

  • Qu’est-ce qu’un GEE pondéré ?
  • Quelles sont les méthodes pondérées pour analyser les données manquantes avec la procédure GEE ?
  • Quelle est la différence entre GEE et modèle mixte ?
  • Le GEE requiert-il des données équilibrées ?
  • Quelle est la différence entre GLMM et GEE ?
  • Quel est l’avantage du GEE ?
  • Le GEE est-il robuste aux données manquantes ?
  • GEE peut-il traiter les données manquantes ?
  • Comment faire des imputations multiples pour les données manquantes ?
  • Qu’est-ce qu’un GEE mesure ?
  • Que fait le poids dans le GLM ?
  • Qu’est-ce que la prévision par moyenne pondérée ?

Qu’est-ce qu’un GEE pondéré ?

Les équations d’estimation généralisées pondérées (WGEE) sont une extension des modèles linéaires généralisés aux données longitudinales ou en grappes en incorporant la corrélation au sein de la grappe lorsque les données sont manquantes au hasard (MAR). Les paramètres des structures de moyenne, d’échelle et de corrélation sont estimés sur la base de la quasi-vraisemblance.

Quelles sont les méthodes pondérées pour analyser les données manquantes avec la procédure GEE ?

La procédure GEE met en œuvre deux méthodes pondérées, spécifique à l’observation et spécifique au sujet, pour estimer le paramètre de régression ˇ lorsque des abandons se produisent. Les deux fournissent des estimations cohérentes si les données sont MAR.

Quelle est la différence entre GEE et modèle mixte ?

La modélisation à effets mixtes autorise à la fois les effets fixes (ou marginaux) et aléatoires, tandis que la modélisation GEE n’autorise que les effets fixes. Un effet fixe s’apparente à un effet de population : une variable mesurée est censée avoir un effet unique sur la population.

Le GEE requiert-il des données équilibrées ?

– ne sont pas privilégiés car ils nécessitent des ensembles de données équilibrés et complets, exigent des variables de réponse normalement distribuées et ne permettent pas l’analyse des covariables qui évoluent dans le temps.

Quelle est la différence entre GLMM et GEE ?

Alors que le GLMM modélise explicitement la corrélation intra-sujet en utilisant des effets aléatoires, l’EEG tient implicitement compte de ces corrélations en utilisant des estimations de variance de type sandwich 6. Analysis of Longitudinal Data, 2, Oxford : Oxford University Press.

Quel est l’avantage du GEE ?

Les équations d’estimation généralisées (EEG) constituent une approche pratique et générale de l’analyse de plusieurs types de données corrélées. Le principal avantage des GEE réside dans l’estimation non biaisée des coefficients de régression de la moyenne de la population malgré une éventuelle mauvaise spécification de la structure de corrélation.

Le GEE est-il robuste aux données manquantes ?

Il a été démontré que l’EEG produit des estimations cohérentes des paramètres de régression pour un modèle marginal lorsque les données manquent complètement au hasard (MCAR). Cependant, lorsque les données sont manquantes au hasard (MAR), les estimations GEE peuvent ne pas être cohérentes ; les approches MI proposées dans cet article minimisent le biais sous MAR.

GEE peut-il traiter les données manquantes ?

Nous proposons deux méthodes pour traiter les données manquantes dans les analyses par équation d’estimation généralisée (EEG) : l’imputation moyenne et l’imputation multiple. Chacune fournit des estimations GEE valides lorsque les données manquent au hasard. Les résultats manquants sont imputés séquentiellement en commençant par le résultat le plus proche dans le temps du résultat observé.

Comment faire des imputations multiples pour les données manquantes ?

Calcul des imputations

  • Ajustez vos données à un modèle approprié.
  • Estimez un point de données manquant en utilisant le modèle sélectionné.
  • Répéter les étapes 1 et 2 (vous pouvez utiliser le Même modèle, ou modèles différents) 2 à 5 fois pour chaque point de données manquant (cela vous donne plusieurs options pour les données manquantes).
  • Effectuez votre analyse de données.
  • Qu’est-ce qu’un GEE mesure ?

    En statistique, une équation d’estimation généralisée (EEG) est utilisée pour estimer les paramètres d’un modèle linéaire généralisé avec une possible corrélation non mesurée entre les observations de différents points dans le temps.



    Que fait le poids dans le GLM ?

    Les pondérations sont utilisées pour indiquer à votre modèle que certaines observations sont plus importantes que d’autres.

    Qu’est-ce que la prévision par moyenne pondérée ?

    La prévision par moyenne pondérée est une méthode qui permet de déterminer la quantité de stock à conserver en fonction des performances passées d’un article et d’un « poids » ou d’une importance attribuée. La formule fonctionne bien pour les articles qui se vendent régulièrement, avec des ventes dans au moins 8 des 12 périodes précédentes.

    Recent

    • SQL Server vers Google Maps
    • Enregistrement d’images stéréoscopiques
    • Extraction de Lat/Lng à partir de Shapefile en utilisant OGR2OGR/GDAL
    • Construction d’une requête dans Nominatim
    • Dans Ogr2OGR : qu’est-ce que le SRS ?
    • Identification des numéros de port pour ArcGIS Online Basemap ?
    • Attente du vecteur &amp ; chargement WFS
    • Supprimer les régions indésirables des données cartographiques QGIS
    • Ajout de TravelTime comme impédance dans ArcGIS Network Analyst ?
    • Lister le nombre total d’éléments dans une fenêtre pop-up d’éléments d’ArcGIS Online.
    • Critères de capacité cartographique
    • Carreler un grand fichier raster dans QGIS
    • L’interplation QGIS Tin ne fonctionne pas
    • Exportation d’un projet QGIS à l’aide de qgis2web

    Catégories

    • English
    • Deutsch
    • Français
    • Home
    • About
    • Privacy Policy

    Copyright Our Planet Today 2025

    We use cookies on our website to give you the most relevant experience by remembering your preferences and repeat visits. By clicking “Accept”, you consent to the use of ALL the cookies.
    Do not sell my personal information.
    Cookie SettingsAccept
    Manage consent

    Privacy Overview

    This website uses cookies to improve your experience while you navigate through the website. Out of these, the cookies that are categorized as necessary are stored on your browser as they are essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may affect your browsing experience.
    SAVE & ACCEPT