다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
응용통계연구 = The Korean journal of applied statistics, v.30 no.6, 2017년, pp.957 - 981
김민아 (덕성여자대학교 정보통계학과) , 경민정 (덕성여자대학교 정보통계학과)
AI-Helper
A generalized linear mixed model is an extension of a generalized linear model that allows random effect as well as provides flexibility in developing a suitable model when observations are correlated or when there are other underlying phenomena that contribute to resulting variability. We describe ...
| 핵심어 | 질문 | 논문에서 추출한 답변 |
|---|---|---|
| 일반적으로 선형 모형에 대한 가정에는 무엇이 있는가? | , yn)를 모형화 할 수 있는 유연한 프레임 워크를 제공함으로 다양한 분야에서 사용되는 통계적 모형이다. 일반적으로 선형 모형에 대한 가정은 선형성, 오차항의 정규성, 오차항의 독립성, 등분산성이 있는데, 이러한 가정을 적용하지 못하는 경우의 자료에는 일반화 선형 모형을 사용한다. Nelder와 Wedderburn (1972) 그리고 McCullagh와 Nelder (1989) 등의 고전적인 논문들은 일반화 선형 모형에 대하여 지수족 형태에 의해 제공되는 맥락에서 비선형 회귀모형을 선형 모형으로 변환하여 고려했기 때문에, 우도함수의 재구성은 링크함수의 형태와 그 결과 발생하는 오차 구조의 유형과 같이 모형의 구조적 구성 요소를 나타낸다. | |
| 일반화 선형 모형은 무엇인가? | 일반화 선형 모형(generalized linear model)은 다양한 오차 구조를 포함한 이산형 또는 범주형 반응변수 y = (y1, . . . , yn)를 모형화 할 수 있는 유연한 프레임 워크를 제공함으로 다양한 분야에서 사용되는 통계적 모형이다. 일반적으로 선형 모형에 대한 가정은 선형성, 오차항의 정규성, 오차항의 독립성, 등분산성이 있는데, 이러한 가정을 적용하지 못하는 경우의 자료에는 일반화 선형 모형을 사용한다. | |
| 일반화 선형 혼합 모형이 통계 분야에서 널리 사용되고 있는 이유는 무엇 때문인가? | 다양하고 복잡한 데이터를 수용할 수 있는 일반화 선형 혼합 모형(generalized linear mixed model; GLMM)은 통계 분야에서 널리 사용되고 있다. 적합성 부족을 설명하기 위해서 임의효과(random effect)가 포함되었기 때문이다. 이러한 임의효과는 알지 못하는 작은 변화와 실제 데이터에서 직면하기 쉬운 극단값(outlier)을 허용할 수 있기 때문에 이항분포, 포아송 분포 등 따르는 회귀모형들을 바탕으로 상관되고 과대 산포된 데이터에 많이 사용된다. |
Abramowitz, M. and Stegun, I. A. (1972). Handbook of Mathematical Functions, Dover, New York.
Agresti, A. (1990). Categorical Data Analysis (1st ed), Wiley, New York.
Agresti, A. (2002). Categorical Data Analysis (2nd ed), Wiley, New York.
Bates, D. and Maechler, M. (2009). Package 'lme4': linear mixed-effects models using S4 classes (Version 0.999375-32), http://cran.r-project.org/web/packages/lme4/lme4.pdf
Bishop, C. M. (2006). Pattern Recognition and Machine Learning, Springer, New York.
Bolker, B. M., Brooks, M. E., Clark, C. J., Geange, S. W., Poulsen, J. R., Stevens, M. H. H., and White, J. S. S. (2009). Generalized linear mixed models: a practical guide for ecology and evolution, Trends in Ecology & Evolution, 24, 127-135.
Breslow, N. E. and Clayton, D. G. (1993). Approximate inference in generalized linear mixed models, Journal of the American Statistical Association, 88, 9-25.
Breslow, N. E. and Lin, X. (1995). Bias correction in generalised linear mixed models with a single component of dispersion, Biometrika, 82, 81-91.
Buonaccorsi, J. P. (1996). Measurement error in the response in the general linear model, Journal of the American Statistical Association, 91, 633-642.
Fahrmeir, L. and Tutz, G. (2001). Multivariate Statistical Modelling based on Generalized Linear Models (2nd ed), Springer, New York.
Hedeker, D. and Gibbons, R. D. (2006). Longitudinal Data Analysis, John Wiley & Sons, New York.
Kim, Y., Choi, Y. K., and Emery, S. (2013). Logistic regression with multiple random effects: a simulation study of estimation methods and statistical packages, The American Statistician, 67, 171-182.
Laplace, P. S. (1986). Memoir on the probability of the causes of events, Statistical Science, 1, 364-378.
Lesaffre, E. and Spiessens, B. (2001). On the effect of the number of quadrature points in a logistic random effects model: an example, Journal of the Royal Statistical Society, Series C, 50, 325-335.
Li, B., Lingsma, H. F., Steyerberg, E. W., and Lesaffre, E. (2011). Logistic random effects regression models: a comparison of statistical packages for binary and ordinal outcomes, BMC Medical Research Methodology, 11, 77.
Liu, Q. and Pierce, D. A. (1994). A note on Gauss-Hermite quadrature, Biometrika, 81, 624-629.
McCullagh, P. and Nelder, J. A. (1989). Generalized Linear Models (2nd ed), Chapman and Hall/CRC.
McCulloch, C. E. and Searle, S. R. (2001). Generalized, Linear, and Mixed Models, Wiley, New York.
Nelder, J. A. and Wedderburn, R. W. M. (1972). General linearized models, Journal of the Royal Statistical Society. Series A, 135, 370-384.
Pearl, R. and Reed, L. J. (1920). On the rate of growth of the population of the United States since 1790 and its mathematical representation. In Proceedings of the National Academy of Sciences, 6, 275-288.
Pearl, R., Reed, L. J., and Kish, J. F. (1940). The logistic curve and the census count of 1940, Science, 92, 486-488.
SAS Institute (2008). Sas/Stat 9.2 User's Guide: The Glimmix Procedure, SAS Pub.
SAS Institute (2009). Sas/Stat 9.2 User's Guide: The Glimmix Procedure, SAS Pub.
Schall, R. (1991). Estimation in generalized linear models with random effects, Biometrika, 78, 719-727.
Schultz, H. (1930). The standard error of a forecast from a curve, Journal of the American Statistical Association, 25, 139-185.
Solomon, P. J. and Cox, D. R. (1992). Nonlinear component of variance models, Biometrika, 79, 1-11.
StataCorp, L. P. (2013). Stata Multilevel Mixed-Effects Reference Manual, StataCorp LP, Texas.
Verhulst, P. F. (1838). Notice sur la loi que la population suit dans son accroissement, correspondance Mathematique et Physique Publiee Par a. Quetelet, 10, 113-121.
Verhulst, P. F. (1845). Recherches Mathйmatiques sur La Loi D'Accroissement de la Population, Nouveaux Mйmoires de l'Acadйmie Royale des Sciences et Belles-Lettres de Bruxelles, 18, 1-45.
Wang, N., Lin, X., Gutierrez, R. G., and Carroll, R. J. (1998). Bias analysis and SIMEX approach in generalized linear mixed measurement error models, Journal of the American Statistical Association, 93, 249-261.
Wolfinger, R. (1993). Laplace's approximation for nonlinear mixed models, Biometrika, 80, 791-795.
Wolfinger, R. and O'Connell, M. (1993). Generalized linear mixed models a pseudo-likelihood approach, Journal of statistical Computation and Simulation, 48, 233-243.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.