To jest mój pierwszy post, więc uspokój się, jeśli nie przestrzegam niektórych standardów! Poszukałem pytania i nic nie wyszło.
Moje pytanie dotyczy głównie praktycznych różnic między ogólnym modelowaniem liniowym (GLM) a uogólnionym modelowaniem liniowym (GZLM). W moim przypadku byłoby to kilka zmiennych ciągłych jako współzmiennych i kilka czynników w ANCOVA w porównaniu do GZLM. Chcę zbadać główne efekty każdej zmiennej, a także jedną trójstronną interakcję, którą przedstawię w modelu. Widzę tę hipotezę testowaną w ANCOVA lub przy użyciu GZLM. W pewnym stopniu rozumiem procesy matematyczne i rozumowanie stojące za uruchomieniem ogólnego modelu liniowego, takiego jak ANCOVA, i nieco rozumiem, że GZLM pozwalają na połączenie funkcji łączącej model liniowy i zmienną zależną (okłamałem, może nie naprawdę rozumiem matematykę). Czego naprawdę nie wiem? Rozumiem, jakie są praktyczne różnice lub powody przeprowadzenia jednej analizy, a nie drugiej, gdy rozkład prawdopodobieństwa zastosowany w GZLM jest normalny (tj. funkcja powiązania tożsamości?). Otrzymuję bardzo różne wyniki, gdy biegam jeden po drugim. Czy mogę uruchomić? Moje dane są nieco nienormalne, ale do pewnego stopnia działają zarówno w ANCOVA, jak i GZLM. W obu przypadkach moja hipoteza jest obsługiwana, ale w GZLM wartość p jest „lepsza”.
Myślałem, że ANCOVA jest modelem liniowym z normalnie dystrybuowaną zmienną zależną przy użyciu funkcji powiązania tożsamości, która jest dokładnie tym, co mogę wprowadzić w GZLM, ale nadal są one różne.
Proszę rzucić nieco światła na te pytania, jeśli możesz!
Na podstawie pierwszej odpowiedzi mam dodatkowe pytanie:
Jeśli są identyczne, z wyjątkiem zastosowanego testu istotności (tj. Testu F w porównaniu z kwadratem Wald Chi Chi), który z nich byłby najbardziej odpowiedni? ANCOVA to „metoda przejścia”, ale nie jestem pewien, dlaczego test F byłby lepszy. Czy ktoś może rzucić nieco światła na to pytanie? Dzięki!
źródło
Odpowiedzi:
Uogólniony model liniowy określający funkcję powiązania tożsamości i rozkład normalnej rodziny jest dokładnie równoważny (ogólnemu) modelowi liniowemu. Jeśli otrzymujesz zauważalnie różne wyniki od każdego z nich, robisz coś złego.
Pamiętaj, że określenie łącza tożsamości nie jest tym samym, co określenie rozkładu normalnego. Rozkład i funkcja łącza są dwoma różnymi komponentami uogólnionego modelu liniowego i każdy może być wybrany niezależnie od siebie (chociaż niektóre łącza działają lepiej z pewnymi rozkładami, więc większość pakietów oprogramowania określa wybór łączy dozwolonych dla każdej dystrybucji).
źródło
Chciałbym uwzględnić moje doświadczenie w tej dyskusji. Widziałem, że uogólniony model liniowy (określający funkcję powiązania tożsamości i normalny rozkład rodziny) jest identyczny z ogólnym modelem liniowym tylko wtedy, gdy używasz oszacowania maksymalnego prawdopodobieństwa jako metody parametru skali. W przeciwnym razie, jeśli jako metodę parametru skali wybrano „wartość stała = 1”, otrzymamy bardzo różne wartości p. Z mojego doświadczenia wynika, że zwykle należy unikać „stałej wartości = 1”. Jestem ciekawy, czy ktoś wie, kiedy należy wybrać stałą wartość = 1 jako metodę parametru skali. Z góry dziękuję. znak
źródło