Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Monte Carlo permutační testy & Postupný výběr. Lineární regrese: model.

Podobné prezentace


Prezentace na téma: "Monte Carlo permutační testy & Postupný výběr. Lineární regrese: model."— Transkript prezentace:

1 Monte Carlo permutační testy & Postupný výběr

2 Lineární regrese: model

3 Lineární regrese: kvalita Celková suma čtverců (TSS): Modelová suma čtverců (MSS): Residuální suma čtverců (RSS):

4 Je ten vliv reálný? Testování v lineární regresi: F statistika Omezená ordinace: F-like statistic MSS – suma kanonických charakteristických čísel; RSS – suma neomezených charakteristických čísel Jakou distribuci má tato statistika v nulovém modelu? Monte Carlo permutační test

5 Test nulové hypotézy Máme-li jen jeden prediktor (jednu skupinu prediktorů): Obdobné jednocestné ANOVA nebo jednoduché regresi Permutujeme prediktor(y) ve vztahu k druhovým datům V každé permutaci vypočteme F statistiku vyjadřující “kvalitu” výsledné ordinace: vytváříme popis distribuce hodnot F

6 Permutace odvozené z modelu Máme další proměnné ovlivňující vysvětlující proměnné: Y = b 1 *X + b 2 *Z + e H 0 : b 1 = 0 X: vysvětlující proměnná(-é); Z: kovariáta(-y) nafitujeme Y = b 2 *Z+e, odhadneme e jako permutujeme e => e* a vypočteme nová data jako pro každou permutaci vyhodnotíme kvalitu (F-statistika)

7 Permutace odvozené z designu I Permutace odvozené z modelu často fungují dobře, vedou k asymptoticky přesným odhadům chyby prvního druhu Ale pokud je to možné a praktické, používáme exaktní testy s permutací odvozenou z designu Příklad dvoucestné (dvoufaktorové) ANOVY: Y =  + A i + B j +  Efekt faktoru A testujeme náhodnými permutacemi uvnitř hladin faktoru B, a naopak.

8 Permutace odvozené z designu II Při testu interakce (A x B) musíme obvykle provádět permutace odvozené z modelu Hierarchické uspořádání, včetně split-plot: permutace odvozené z modelu nefungují správně pro vnější (whole-plot) faktory; volba permutovatelných jednotek musí být založena na správném jmenovateli F statistiky v ANOVA Ještě složitější u opakovaných měření (závislost jednotek v čase)

9 Permutace odvozené z designu III

10 Volba správných permutací (podle M. Anderson 2001) Krok 1: Identifikuj permutované jednotky Je MS ve jmenovateli F statistiky residuální mean square? Permutovatelné jednotky jsou kategorie faktoru ze jmenovatele MS Permutovatelnými jednotkami jsou pozorování Jsou v modelu další členy, nezohledněné volbou permutovatelných jednotek? Krok 2: Zohledni další členy modelu Jako úroveň přesnosti testu potřebujeme? Netřeba jiné faktory zohledňovat Permutace reziduálů redukovaného modelu: permutovatelné jednotky (asymptoticky přesné, někdy vyšší síla testu) Omezené permutace permutovatelných jednotek (přesný test, ale někdy s nižší sílou) Permutace omez uvnitř kategorií dalších faktorů Malý počet možných permutací? NEBO Exaktní test nelze provést (např. test interakce)? Neomezené permutace permutovatelných jednotek (přesný test) NE NENE NENE ANO asymptoticky přesný přesný například MS A /MS block

11 Postupný výběr (forward selection) Obdobně jako v regresi: poznání relativního významu jednotlivých prediktorů, vytvoření "minimálního adekvátního modelu" CANOCO: automatic forward selection – nezávislé (marginal) a podmíněné (conditional) efekty CANOCO: manual forward selection


Stáhnout ppt "Monte Carlo permutační testy & Postupný výběr. Lineární regrese: model."

Podobné prezentace


Reklamy Google