Post on 08-Apr-2016
description
Generalized Linear Models Chapter 5.7
Assessing fits and the deviance
ML Estimation
Misalkan variabel random saling independen dengan
Jika diinginkan untuk mengestimasi parameter melalui hubungannya dengan link function:
maka untuk setiap mempunyai fungsi log likelihood
Penaksir maksimum likelihood dari diperoleh dengan cara memaksimumkan
1 2, , , nY Y Y( )i iE Y
0 1 1 2 2( ) ... i i i i i k kig x X X X
iY
( )ln ; , ln ( , )
i i i
i i iy af y c y
1 1 1
( ), ln ; , ln ( , )
n n ni i i
i i ii i i
y af y c y
ML Estimation
1
1
,( ) ( ) 0
n
ij i i i iij
x y g V
Menggunakan iterasi Newton-Raphson, diperoleh penaksir untuk adalah:
dan
dengan
( 1) ( ) 1
1 ( )
( ) ( )
( ) ( )
m m
m
X WX XWG y
XWX XW X G y
12( ) ( ) ; ( )i i iW g V G g
1ˆ , ( )N XWX
Assessing fits and the deviance
Goodness of fit (kesesuaian) dari suatu model diperlukan untuk mendapatkan model terbaik
Prinsip-prinsip pengujian signifikansi, pemilihan model dan tes diagnostik untuk GLMs sama seperti pada regresi normal, namun rincian teknis dari metode agak berbeda
Salah satu cara untuk menilai/ mengevaluasi kesesuaian suatu model adalah dengan membanding fitted model (terdapat p<n parameter dalam model) terhadap saturated model (jika terdapat n parameter dalam model)
Saturated model
Fungsi ln likelihood untuk keluarga eksponensial adalah:
Di bawah saturated model , penaksir maximum likelihood untuk adalah , dengan
Nilai ln likelihood untuk saturated model adalah:
1
( ), ln ( , )
ni i i
ii
y ac y
i i
( )i ia y
1 1
( ), ln ; , ln ( , )
n ni i i
i ii i
y af y c y
Fitted model
Fungsi ln likelihood untuk keluarga eksponensial adalah:
Di bawah fitted model, penaksir maximum likelihood untuk adalah berdasarkan variabel y dan x
Nilai maksimum ln likelihood untuk fitted model adalah:
1
ˆ ˆ( )ˆ , ln ( , )n
i i ii
i
y ac y
i i
1 1
( ), ln ; , ln ( , )
n ni i i
i ii i
y af y c y
Assessing fits and the deviance
Deviance adalah suatu ukuran jarak antara saturated model dengan fitted model
dengan
Model dikatakan bagus jika mendekati (tidak lebih besar) atau model dikatakan kurang bagus jika
2
1
ˆ ˆ( ) ( ) ( )ˆ2 2 ~n
i i i i in p
i
y a a
( )i ia y
ˆ ˆ( )i ig a x
1n p
Contoh pada distribusi Normal ( ) 2,
2
22
2 21 1
( ) 1 2, ln ( , ) ln 22 2
in n i i
i i i ii
i i
yy a yc y
2 21( )2i i i ia
Saturated model:
dan
22, 1 0 1( )
2i i ii iii
ii yy a y
Fitted model: 21ˆ ˆˆ ˆ( )2i i i ia
Deviance:
2 2 2
2 21 1 1
1 1ˆ ˆ( )ˆ ˆ ˆ( ) ( ) ( ) 2 22 2n n ni i i i i
i ii i i i i
i i i
y y y yy a a
1 1
( ), ln ( , ) ln( !) ln
n ni i i
i i i i ii i
y ac y y y
ln ( ) 1ii i i ia e
Saturated model:
,
lnln ln ( )
,1 0
i i
i ii
yi i i
ii
i i
i
y a e e
y
y
y
Fitted model: ˆ ˆlnˆ ˆˆ ˆln , ( ) i ii i i ia e e
Deviance:
1
1 1
ˆ ˆ( ) ( ) ( )2
ˆ ˆ ˆ2 (ln ln ) 2 lnˆ
ni i i i i
i
n ni
i i i i i i i ii i i
y a a
yy y y y y
Contoh pada distribusi Poisson ( )
Assessing fits and the deviance