Alternativen zur Zero Inflated Poisson Regression

Wie erweitere ich R um eigene Funktionen oder Pakete? Welches Paket ist passend für meine Fragestellung?

Moderatoren: EDi, jogo

Benutzeravatar
EDi
Beiträge: 1063
Registriert: Sa Okt 08, 2016 3:39 pm

Re: Alternativen zur Zero Inflated Poisson Regression

Beitrag von EDi »

Nane hat geschrieben:
Mo Mär 16, 2020 7:05 pm
bigben hat geschrieben:
Mo Mär 16, 2020 5:44 pm
(x -200) * -1 = 200 - x

Bei der einfachen Umwandlung auf der rechten Seite entstehen erst keine negativen Werte.
Das ist richtig, deshalb ja multipliziert mit -1. Ich meinte nach der Zero Inflated Poisson Regression entstehen im Count-Teil negative Werte, die dann umgekehrt interpretiert werden müssen.
Ein Poisson Verteilung kann nie negative Werte annehmen - egal wie schlimm man sie behandelt...

Wie wäre es durch 200 zu teilen und eine binomial Verteilung zu nehmen (Bin(p, n=200), man würde dann den anteil der 200 Punkte modellieren).
Komme aber leider nicht zu signifikanten Ergebnissen
P-werte haben eine Aussagekraft die gegen 0 tendiert.
Bitte immer ein reproduzierbares Minimalbeispiel angeben. Meinungen gehören mir und geben nicht die meines Brötchengebers wieder.

Dieser Beitrag ist lizensiert unter einer CC BY 4.0 Lizenz
Bild.

Nane
Beiträge: 8
Registriert: Mo Mär 16, 2020 12:09 pm

Re: Alternativen zur Zero Inflated Poisson Regression

Beitrag von Nane »

Sorry für die Verwirrung bzw. fehlende Informationen. Das Histogram oben ist von einem Treatment mit 1710 individuellen (aber nicht unabhängigen) Beobachtungen. Also was ein Teilnehmer insgesamt mit den anderen beiden Teilnehmern in seiner Gruppe in einer Runde geteilt hat. Und das für alle Teilnehmer und alle Runden. Es gibt immer 30 Runden pro Session. Daher sind das so viele Beobachtungen, die dann auch signifikant werden. Diese sind aber nicht unabhängig, da die Teilnehmer in 3er Gruppen aufgeteilt sind. Ich habe es nur hergenommen, um die Verteilung der Daten zu zeigen.
Über alle Treatments hinweg gibt es insgesamt 59 3er Gruppen (die jeweils über die Runden hinweg gleich bleiben). Den T-test habe ich mit dem durchschnittlichen Beitrag pro Gruppe gemacht, daher nur 59.
LG

Nane
Beiträge: 8
Registriert: Mo Mär 16, 2020 12:09 pm

Re: Alternativen zur Zero Inflated Poisson Regression

Beitrag von Nane »

EDi hat geschrieben:
Mo Mär 16, 2020 7:25 pm

Ein Poisson Verteilung kann nie negative Werte annehmen - egal wie schlimm man sie behandelt...
Vielen Dank für die Antwort, aber die abhängige Variable (wie viel die Teilnehmer geteilt haben) folgt der Poisson Verteilung und wird nicht negativ, das ist richtig. Die Regressionskoeffizienten (die dann zu interpretieren sind) können dennoch negativ werden. Diese zeigen ja nur eine Veränderung an.

LG

Benutzeravatar
EDi
Beiträge: 1063
Registriert: Sa Okt 08, 2016 3:39 pm

Re: Alternativen zur Zero Inflated Poisson Regression

Beitrag von EDi »

. Daher kann jeder Teilnehmer in Summe maximal 200 Datenpunkte
die abhängige Variable (wie viel die Teilnehmer geteilt haben) folgt der Poisson
a) wie passen diese beiden Aussagen zusammen? Poison reicht von 0 bis Unendlich. Deine Daten können aber nicht größer 200 werden. Ergo kann die Abhängige Variable nicht der Poisson verteilung folgen.

a) hab ich fast nie einen Datensatz gesehen wo Poisson wirklich gut gepasst (meisten braucht es mehr flexibilität in der streuung, stichwort over/underdispersion).

was ist mit meinem anderen Vorschlag das binomial zu modellieren? Die Argumentionslogik müsste doch passen,oder?
Bitte immer ein reproduzierbares Minimalbeispiel angeben. Meinungen gehören mir und geben nicht die meines Brötchengebers wieder.

Dieser Beitrag ist lizensiert unter einer CC BY 4.0 Lizenz
Bild.

Nane
Beiträge: 8
Registriert: Mo Mär 16, 2020 12:09 pm

Re: Alternativen zur Zero Inflated Poisson Regression

Beitrag von Nane »

EDi hat geschrieben:
Mo Mär 16, 2020 10:52 pm

a) wie passen diese beiden Aussagen zusammen? Poison reicht von 0 bis Unendlich. Deine Daten können aber nicht größer 200 werden. Ergo kann die Abhängige Variable nicht der Poisson verteilung folgen.

b) hab ich fast nie einen Datensatz gesehen wo Poisson wirklich gut gepasst (meisten braucht es mehr flexibilität in der streuung, stichwort over/underdispersion).

was ist mit meinem anderen Vorschlag das binomial zu modellieren? Die Argumentionslogik müsste doch passen,oder?
a) Man legt lediglich die Poission Verteilung über die Daten und schneidet dann exzessive 200er bzw. im eigentlichen Modell 0er ab. So hatte ich das Zero Inflated Model zumindest verstanden. Bei mir sind die 200 dann an Stelle 0 da ich ja transformiere.

b) Das ZIM geht auch mit der negativen Binomialverteilung... Kommen ähnliche Ergbnisse raus. Oder meintest du nochmal anders binomial modellieren? Ich verstehe nicht ganz, warum durch 200 teilen, wie du zuvor vorgeschlagen hast.

Antworten