Zero Gonfiato Binario Options

I dati Count GENMOD che hanno una incidenza di zeri maggiore del previsto per la distribuzione di probabilità sottostante di conteggi può essere modellato con una distribuzione zero gonfiato. In GENMOD, la distribuzione sottostante può essere sia di Poisson o binomiale negativa. Vedere Lambert (1992). Long (1997) e Cameron e Trivedi (1998) per ulteriori informazioni sui modelli zero gonfiati. La popolazione è considerato costituito da due tipi di individui. Il primo tipo dà Poisson o conteggi negativi binomiali distribuiti, che potrebbero contenere zeri. Il secondo tipo dà sempre un conteggio zero. Sia trattato distribuzione sottostante media e la probabilità di un essere individuale del secondo tipo. Il parametro viene chiamato qui la probabilità zero gonfiaggio. ed è la probabilità di zero conteggi superiori della frequenza prevista dalla distribuzione sottostante. Si può richiedere che la probabilità di inflazione pari a zero viene visualizzato in un set di dati in uscita con la parola chiave PZERO. La distribuzione di probabilità di una variabile casuale Poisson zero gonfiato Y è data da e la distribuzione di probabilità di una variabile casuale binomiale negativo zero gonfiato Y è data da dove è il parametro di dispersione binomiale negativa. dove si trova una delle funzioni di collegamento binari: logit, probit, o complementare log-log. La funzione di collegamento è il collegamento logit per default, o l'opzione funzione di collegamento specifica nella dichiarazione ZEROMODEL. La funzione di collegamento è la funzione di collegamento log di default, oppure la funzione di collegamento specifica nel modello di dichiarazione, sia per il Poisson e binomiale negativa. Le covariate per l'osservazione sono determinati dal modello specificato nella dichiarazione ZEROMODEL, e le covariate sono determinati dal modello specificato nel modello di dichiarazione. I parametri di regressione e sono stimati con la massima verosimiglianza. La media e la varianza di Y per il Poisson zero gonfiato sono dati byzeroinfl: Count argomenti di regressione dei dati zero-gonfiati passati al zeroinfl. control nella configurazione di default. Zero-gonfiati modelli di conteggio sono modelli a due componenti della miscela che unisce un punto materiale a zero con una corretta distribuzione conteggio. Quindi, ci sono due fonti di zeri: zeri possono provenire sia dal punto materiale e dal numero di componenti. Di solito il modello di conteggio è un Poisson o la regressione binomiale negativa (con collegamento log). La distribuzione geometrica è un caso speciale della binomiale negativa con il parametro dimensione uguale a 1. Per modellare lo stato inosservato (conteggio contro zero), un modello binario viene utilizzato che cattura la probabilità che l'inflazione a zero. nel caso più semplice solo con un intercetto ma potenzialmente contenente regressori. Per questo modello zero inflazione, un modello binomiale con diversi collegamenti possono essere utilizzati, in genere logit o probit. La formula può essere utilizzato per specificare entrambi i componenti del modello: Se è fornita una formula di tipo y x1 x2, allora gli stessi regressori sono impiegati in entrambi i componenti. Ciò equivale a y x1 x2 x1 x2. Naturalmente, un diverso insieme di regressori potrebbe essere specificato per il conteggio e componente zero inflazione, ad esempio y x1 x2 Z2 Z1 Z3 dando il numero di modello di dati y x1 x2 subordinata () zero-inflazione modello y z1 z2 z3. Un semplice modello inflazione dove tutti valori pari a zero hanno la stessa probabilità di appartenenza alla componente zero può venire indicato dalle Offset formula Y può essere specificata in entrambi i componenti del modello pertinenza contare e zero inflazione modello compensato y x1 (x2) Z2 Z1 compensati (Z3). dove x2 è utilizzato come un offset (cioè con coefficiente fissato a 1) nel componente conteggio e z3 analogamente nel componente zero gonfiaggio. Con la regola sopra indicato y x1 offset (x2) è esteso a y offset (x2) compensato x1 (x2) x1. Invece di utilizzare l'offset () avvolgitore nella formula. l'argomento offset può essere impiegato anche che imposta una compensazione soltanto per il modello conteggio. Così, la formula y x1 e x2 Offset è equivalente alla formula y x1 offset (x2) x1. Tutti i parametri sono stimati con la massima verosimiglianza usando Optim. con possibilità di controllo previste in zeroinfl. control. valori iniziali possono essere forniti, stimato dalla EM (aspettativa di massimizzazione) algoritmo, o glm. fit (impostazione predefinita). Gli errori standard sono derivati ​​numericamente utilizzando la matrice Hessiana restituito da Optim. Vedere zeroinfl. control per i dettagli. L'oggetto modello dotato restituito è di classe zeroinfl ed è simile agli oggetti GLM montati. Per elementi come coefficienti o termini un elenco viene restituito con gli elementi per lo zero e il numero dei componenti, rispettivamente. Per i dettagli vedi sotto. Un insieme di funzioni di aspirazione standard, per oggetti del modello a muro è disponibile per gli oggetti della classe zeroinfl. compresi i metodi per le funzioni di stampa generica. sommario. coef. vcov. loglik. residui. prevedere. montato. termini. model. matrix. Vedere predict. zeroinfl per maggiori dettagli su tutti i metodi. Un oggetto della classe zeroinfl. vale a dire un elenco con i componenti includingNOTICE: Il gruppo di consulenza Idre statistica sarà la migrazione del sito web per il CMS WordPress nel mese di febbraio per facilitare la manutenzione e la creazione di nuovi contenuti. Alcune delle nostre pagine più vecchie verranno rimossi o archiviati in modo tale che essi non saranno più mantenuti. Cercheremo di mantenere i reindirizzamenti in modo che i vecchi URL continueranno a lavorare nel miglior modo possibile. Benvenuti al Istituto per la ricerca digitale e l'istruzione Aiuto Consulting Group Stat dando un regalo SAS di analisi dei dati Esempi Zero-gonfiati negativa binomiale Regressione Zero-gonfiato regressione binomiale negativa è per le variabili di conteggio modellazione con zeri eccessivi ed è di solito per eccesso di dispersi contare variabili di risultato. Inoltre, teoria suggerisce che gli zeri in eccesso vengono generati da un processo separato dai valori di conteggio e che gli zeri in eccesso possono essere modellati in modo indipendente. Si prega di notare: Lo scopo di questa pagina è quello di mostrare come utilizzare i vari comandi di analisi dei dati. Esso non copre tutti gli aspetti del processo di ricerca, che sono tenuti ai ricercatori di fare. In particolare, non copre la pulizia dei dati e il controllo, la verifica di ipotesi, diagnostica modello o potenziali analisi di follow-up. Questa pagina è stata aggiornata con SAS 9.2.3. Esempi di binomiale negativa regressione Esempio 1. Gli amministratori della scuola Zero-gonfiati studiare il comportamento presenza di juniores delle scuole superiori in due scuole. Predittori di numero di giorni di assenza sono genere dello studente e punteggi dei test standardizzati nelle arti matematica e lingua. Esempio 2. Lo Stato biologi della fauna selvatica vogliono modellare quanti pesci vengono catturati dai pescatori in un parco statale. I visitatori sono invitati quanto rimasero, quante persone erano nel gruppo, c'erano bambini nel gruppo e come sono stati catturati molti pesci. Alcuni visitatori non lo fanno i pesci, ma non ci sono dati su se una persona pescato o no. Alcuni visitatori che hanno fatto il pesce non prendere qualsiasi pesce quindi non ci sono zeri in eccesso nei dati a causa delle persone che non hanno fatto i pesci. Descrizione dei dati Consente di perseguire Esempio 2 dall'alto utilizzando il fish. sas7bdat set di dati. Abbiamo i dati sui 250 gruppi che è andato a un parco. Ogni gruppo è stato interrogato su come molti pesci hanno catturato (COUNT), quanti bambini erano nel gruppo (bambino), quante persone erano nel gruppo (persone), e se non hanno portato un camper al parco (camper) . Oltre alla previsione del numero di pesci catturati, c'è interesse nel predire l'esistenza di zeri in eccesso, cioè la probabilità che un gruppo catturato nullo pesci. Useremo il bambino variabili. persone. e camper nel nostro modello. Vediamo i dati. Possiamo vedere dalla tabella delle statistiche descrittive sopra che la varianza della variabile risultato è piuttosto grande rispetto ai mezzi. Questo potrebbe essere un'indicazione di un eccesso di dispersione. Metodi di analisi si potrebbe prendere in considerazione prima mostriamo come si può analizzare questo con uno zero-gonfiato analisi binomiale negativa, permette di prendere in considerazione alcuni altri metodi che si possono utilizzare. OLS Regressione - si potrebbe tentare di analizzare questi dati utilizzando OLS regressione. Tuttavia, contano i dati sono altamente non-normale e non sono ben stimati con OLS regressione. Zero-gonfiato regressione di Poisson - Zero-gonfiato regressione di Poisson fa meglio quando i dati non sono sovradispersa, vale a dire quando la varianza non è molto più grande della media. I modelli Count ordinaria - Poisson o modelli binomiali negativi potrebbe essere più appropriato, se non ci sono zeri in eccesso. SAS zero gonfiato analisi binomiale negativa usando proc GENMOD Un modello a zero gonfiato presuppone che il risultato zero è dovuto a due diversi processi. Ad esempio, nell'esempio della pesca qui presentato, i due processi sono che un soggetto è andato a pescare vs. non andato a pescare. Se non è andato a pescare, l'unico risultato possibile è pari a zero. Se andato a pescare, è quindi un processo di conteggio. Le due parti del modello zero gonfiato sono un modello binario, di solito un modello logit al modello che dei due processi risultato di zero è associata e un modello conteggio, in questo caso, un modello binomiale negativo, per modellare il conteggio processo. Il conteggio atteso è espresso come una combinazione dei due processi. Prendendo l'esempio di pesca di nuovo, E (di caughtk pesce) prob (pesca non è andato) 0 prob (pesca andata) E (pesca ykgone). Ora lascia costruire il nostro modello. Abbiamo intenzione di usare il bambino variabili e camper per modellare il conteggio nella parte del modello binomiale negativa e le persone variabili nella parte logit del modello. I comandi SAS Di seguito sono riportati. Trattiamo camper variabile come variabile categorica includendolo nella dichiarazione di classe. Questo renderà anche le stime pubblicare più facile. In questo particolare esempio, abbiamo anche esplicitamente vogliamo usare camper 0 come gruppo di riferimento. A tal fine, abbiamo ordinare i dati in ordine decrescente e utilizzare l'opzione ordine in proc GENMOD per costringerlo a prendere campeggiatori 0 come gruppo di riferimento. L'uscita ha alcuni componenti che sono illustrate qui di seguito. Modello: Informazioni generali sul set di dati, variabili risultato, la distribuzione e il numero di osservazioni utilizzati nel modello. Classe Informazioni Level: Per ogni variabile categorica, il numero di livelli e come i livelli sono codificati. L'ultimo livello visualizzato sarà il gruppo di riferimento nel modello. In questo esempio, sarà 0. criteri per valutare la bontà di adattamento: Queste misure sono di solito utilizzati per il confronto di modelli. Analisi delle stime di massima verosimiglianza dei parametri: Negativo parte binomio del modello, stimata utilizzando massima verosimiglianza. Analizzare la probabilità massima Zero Stime inflazione parametri: parte regressione logistica del modello, per stimare la probabilità di essere uno zero eccessivo. Guardando attraverso i risultati dei parametri di regressione che vediamo la seguente: Il bambino predittori e camper nella parte del modello di regressione binomiale negativa numero di pesci catturati predire (contano) sono entrambi predittori significativi. La persona predittore nella parte del modello logit predire zeri eccessivi è statisticamente significativa. Per questi dati, la variazione prevista del log (conteggio) per un aumento di un unità bambino è -1,515255. Ciò equivale a un 78 - riduzione (1 e -1,515255 .78) nel conteggio previsto per ogni figlio in più nel partito azienda altre variabili costanti. I gruppi con camper (camper 1) ha avuto un registro previsto (conteggio) 0,879,051 mila maggiore di gruppi senza camper (camper 0), vale a dire il conteggio atteso di pesce per un camper è di circa 2,41 (e 0.879051 2,41) volte superiore a quello di un non-camper . Le probabilità di log di essere uno zero eccessivo diminuirebbero da 1,67 per ogni persona in più nel gruppo. In altre parole, più la gente nel gruppo, il meno probabile che lo zero sarebbe a causa della pesca non è andato. Dirla chiaramente, il più grande è il gruppo la persona era in, più è probabile che la persona che è andato pesca. La stima del parametro di dispersione viene visualizzata con un intervallo di confidenza. Ci sembra abbastanza indicazione di sopra di dispersione, il che significa che il modello binomiale negativo potrebbe essere più appropriato. Potremmo voler confrontare la corrente zero-gonfiato modello binomiale negativa con il modello pianura negativo binomiale, che può essere fatto tramite, ad esempio, test di Vuong. Attualmente Vuong test non è una parte standard del proc GENMOD. ma una macro progra m è disponibile da SAS che fa il test Vuong. È possibile scaricare questo programma macro seguendo il link e memorizzarlo sul disco rigido. In questo esempio, abbiamo salvato il programma macro in d: directory workdae e rinominarlo come vuong. sas. Per utilizzare il programma macro, si usa l'istruzione include. Questo programma macro ha un bel paio di argomenti indicati di seguito. Noi eseguire nuovamente i modelli per ottenere la produzione di questi argomenti di input richiesti. Abbiamo usato anche il negozio di dichiarazione per memorizzare le stime in modo che possiamo fare post-stima utilizzando lo stesso modello tramite proc PLM senza dover eseguire nuovamente il modello. Con il modello binomiale negativo zero gonfiato, ci sono totale di sei parametri di regressione che include l'intercetta, i coefficienti di regressione per bambino e camper e il parametro di dispersione per la porzione binomiale negativa del modello e l'intercetta e la regressione coefficiente di persone . Il modello di regressione binomiale negativa pianura ha un totale di quattro parametri di regressione. I parametri di scala (SCALE1 e SCALE2) sono i parametri di dispersione di ogni modello corrispondente. L'output sopra mostra il test Vuong seguito dal test dei segni Clarke. I valori positivi delle statistiche Z per la prova Vuong indicano che è il primo modello, il modello binomiale negativo zero gonfiato, che è più vicino al vero modello. Entrambi questi test hanno lo stesso ipotesi nulla e capita che i due test non sono coerenti tra loro portando un debole sostegno per il modello binomiale negativo zero gonfiato. Ora, let39s cercare di capire il modello migliore, utilizzando alcuni dei comandi posta di stima. Prima di tutto, esaminiamo la distribuzione della probabilità prevista di essere uno zero eccessiva per il numero di persone nel gruppo. Possiamo vedere che maggiore è il gruppo, minore è la probabilità, cioè il più probabile che la persona è andato pesca. Dal momento che abbiamo salvato il nostro modello precedente, come m1 in precedenza, usiamo proc PLM per ottenere il numero previsto di pesce pescato, mettendo a confronto i campeggiatori con i non-camper dato diverso numero di figli. Per ottenere i conteggi prevedere abbiamo usato il iLink opzione (per collegamento inverso). Avviso per impostazione predefinita, SAS fissa il valore delle persone variabili predittive al suo valore medio. Quindi, possiamo anche chiedere proc PLM per tracciare i valori adattati dalla variabile camper. Le cose da considerare Qui ci sono alcuni problemi che si può prendere in considerazione nel corso della vostra analisi di ricerca. Domanda sul parametro eccessiva dispersione è, in generale, uno difficile. Un grande parametro eccessiva dispersione potrebbe essere dovuto ad una mancanza modello specificato o potrebbe essere dovuto ad un processo vero e proprio con l'eccesso di dispersione. L'aggiunta di un problema di eccesso di dispersione non migliora necessariamente un modello miss-specificato. Il modello zinb ha due parti, un modello di conteggio binomiale negativa e il modello logit per prevedere gli zeri in eccesso, così si potrebbe desiderare di rivedere queste pagine Data Analysis esempio, negativo binomiale Regressione e Regressione Logit. Poiché zinb ha sia un modello conteggio e un modello logit, ciascuno dei due modelli dovrebbero avere buoni predittori. I due modelli non hanno necessariamente bisogno di utilizzare gli stessi predittori. Problemi di perfetta previsione, separazione o parziale separazione possono verificarsi nella parte logistica del modello zero gonfiato. Count dati utilizzano spesso variabile di esposizione per indicare il numero di volte in cui l'evento sarebbe potuto accadere. È possibile incorporare l'esposizione nel modello utilizzando l'opzione di esposizione (). Non è consigliabile che lo zero-gonfiati modelli binomiali negative essere applicati a piccoli campioni. Ciò che costituisce un piccolo campione non sembra essere chiaramente definiti in letteratura. Pseudo-R-squared valori diversi da OLS R squareds, consultare FAQ: Quali sono pseudo-R squareds per una discussione su questo tema. Riferimenti Cameron, A. Colin e Trivedi, P. K. (2009) Microeconometria utilizzando Stata. College Station, TX: Stata Press. Lungo, J. Scott, amplificatore Freese, Jeremy (2006). I modelli di regressione per le variabili dipendenti categoriali Uso Stata (Second Edition). College Station, TX: Stata Press. Lungo, J. Scott (1997). I modelli di regressione per le variabili dipendenti categoriali e limitato. Thousand Oaks, CA: Sage Publications. Il contenuto di questo sito web non deve essere interpretata come un'approvazione di un particolare sito web, il libro, o di un prodotto software dall'Università di California. NOTICE: Il gruppo di consulenza Idre statistica sarà la migrazione del sito web al CMS WordPress nel mese di febbraio per facilitare mantenimento e la creazione di nuovi contenuti. Alcune delle nostre pagine più vecchie verranno rimossi o archiviati in modo tale che essi non saranno più mantenuti. Cercheremo di mantenere i reindirizzamenti in modo che i vecchi URL continueranno a lavorare nel miglior modo possibile. Benvenuti al Istituto per la ricerca e l'istruzione digitale Aiuto Consulting Group Stat dando un regalo Stata analisi dei dati Esempi Zero-gonfiati negativo informazioni binomiale Regressione Versione: Codice per questa pagina è stato testato in Stata 12. Zero-gonfiato regressione binomiale negativa è per la modellazione contare variabili con zeri eccessivi e di solito è per le variabili di outcome conteggio sovradispersa. Inoltre, teoria suggerisce che gli zeri in eccesso vengono generati da un processo separato dai valori di conteggio e che gli zeri in eccesso possono essere modellati in modo indipendente. Si prega di notare: Lo scopo di questa pagina è quello di mostrare come utilizzare i vari comandi di analisi dei dati. Esso non copre tutti gli aspetti del processo di ricerca, che sono tenuti ai ricercatori di fare. In particolare, non copre la pulizia dei dati e il controllo, la verifica di ipotesi, diagnostica modello o potenziali analisi di follow-up. Esempi di zero gonfiato regressione binomiale negativa Esempio 1. Gli amministratori della scuola studiare il comportamento presenza di juniores delle scuole superiori in due scuole. Predittori di numero di giorni di assenza sono genere dello studente e punteggi dei test standardizzati nelle arti matematica e lingua. Esempio 2. Lo Stato biologi della fauna selvatica vogliono modellare quanti pesci vengono catturati dai pescatori in un parco statale. I visitatori sono invitati quanto rimasero, quante persone erano nel gruppo, c'erano bambini nel gruppo e come sono stati catturati molti pesci. Alcuni visitatori non lo fanno i pesci, ma non ci sono dati su se una persona pescato o no. Alcuni visitatori che hanno fatto il pesce non prendere qualsiasi pesce quindi non ci sono zeri in eccesso nei dati a causa delle persone che non hanno fatto i pesci. Descrizione dei dati consente perseguire Esempio 2 dall'alto. Il set di dati utilizzato in questo esempio è da Stata. Abbiamo i dati sui 250 gruppi che è andato a un parco. Ogni gruppo è stato interrogato prima di lasciare il parco di come molti pesci hanno catturato (conteggio), quanti bambini erano nel gruppo (bambino), quante persone erano nel gruppo (persone), e se non hanno portato un camper per la park (camper). La variabile di risultato di interesse sarà il numero di pesci catturati. Anche se la domanda circa il numero di pesci catturati è stato chiesto a tutti, ciò non significa che tutti sono andati pesca. Quale potrebbe essere il motivo per qualcuno per segnalare un conteggio a zero Forse perché questa persona è stato sfortunato e non ha ancora catturare tutti i pesci, o era perché questa persona non ha ancora andare a pesca a tutti Se una persona non ha ancora andare a pesca, il risultato sarebbe sempre zero. Altrimenti, se una persona è andato a pescare, il conteggio potrebbe essere zero o non zero. Così possiamo vedere che ci sembrava di essere due processi, che potrebbero generare valori pari a zero: sfortunati a pesca o non ha ancora andare a pescare. Diamo prima un'occhiata ai dati. Inizieremo con la lettura dei dati e le statistiche descrittive e grafici. Questo ci aiuta a capire i dati e darci qualche suggerimento su come dovremmo modellare i dati. Possiamo vedere dalla tabella delle statistiche descrittive sopra che la varianza della variabile risultato è piuttosto grande rispetto ai mezzi. Questo potrebbe essere un'indicazione di un eccesso di dispersione. Metodi di analisi si potrebbe prendere in considerazione prima mostriamo come si può analizzare questo con uno zero-gonfiato analisi binomiale negativa, permette di prendere in considerazione alcuni altri metodi che si possono utilizzare. OLS Regressione - si potrebbe tentare di analizzare questi dati utilizzando OLS regressione. Tuttavia, contano i dati sono altamente non-normale e non sono ben stimati con OLS regressione. Zero-gonfiato regressione di Poisson - Zero-gonfiato regressione di Poisson fa meglio quando i dati non sono sovradispersa, vale a dire quando la varianza non è molto più grande della media. I modelli Count ordinaria - Poisson o modelli binomiali negativi potrebbe essere più appropriato, se non ci sono zeri in eccesso. Zero-gonfiato regressione binomiale negativa Un modello a zero gonfiato assume che il risultato zero è dovuto a due diversi processi. Ad esempio, nell'esempio della pesca qui presentato, i due processi sono che un soggetto è andato a pescare vs. non andato a pescare. Se non è andato a pescare, l'unico risultato possibile è pari a zero. Se andato a pescare, è quindi un processo di conteggio. Le due parti del modello zero gonfiato sono un modello binario, di solito un modello logit al modello che dei due processi risultato di zero è associata e un modello conteggio, in questo caso, un modello binomiale negativo, per modellare il conteggio processo. Il conteggio atteso è espresso come una combinazione dei due processi. Prendendo l'esempio di pesca di nuovo, E (di caughtk pesce) prob (pesca non è andato) 0 prob (pesca andata) E (pesca ykgone). Ora lascia costruire il nostro modello. Abbiamo intenzione di usare il bambino variabili e camper per modellare il conteggio nella parte del modello binomiale negativa e le persone variabili nella parte logit del modello. Il comando Stata è mostrato di seguito. Trattiamo camper variabile come una variabile categoriale mettendo un prefisso quot-I.-quot davanti al nome della variabile. Questo renderà le stime pubblicare più facile. Abbiamo incluso l'opzione vuong che fornisce un test del modello zero gonfiato rispetto al modello binomiale negativa di serie insieme all'opzione zip che fornisce un test rapporto di verosimiglianza di alpha0 (sostanzialmente zinb contro zip). L'uscita ha alcuni componenti che sono illustrate qui di seguito. Si inizia con il registro di iterazione dà i valori delle verosimiglianze log iniziano con un modello che ha predittori. L'ultimo valore nel registro è il valore finale della probabilità di registro per il modello completo e si ripete qui di seguito. Segue le informazioni di intestazione. Sul lato destro è dato il numero di osservazioni utilizzata (316) con il rapporto di verosimiglianza chi-quadro. Questo confronta il modello completo di un modello senza predittori conteggio, dando una differenza di due gradi di libertà. Questo è seguito dal valore di p per il chi-square. Il modello, nel suo complesso, è statisticamente significativa. Sotto l'intestazione, troverete i coefficienti di regressione binomiale negative per ciascuna delle variabili con errori standard, z-score, p-value e 95 intervalli di confidenza per i coefficienti. A seguito di questi sono coefficienti logit per predire gli zeri in eccesso con i loro errori standard, z-score, p-value e intervalli di confidenza. Inoltre, ci sarà una stima del logaritmo naturale del coefficiente di dispersione sopra, alfa, insieme al valore non trasformata. Se il coefficiente alfa è pari a zero, allora il modello è meglio stimato utilizzando un modello di regressione di Poisson. Qui di seguito i vari coefficienti troverete i risultati del zip e opzioni Vuong. L'opzione zip mette alla prova il modello binomiale negativo zero gonfiato rispetto al modello di Poisson zero gonfiato. Un significativo test di rapporto di verosimiglianza per alpha0 indica che il modello zinb è preferito al modello zip. Il test Vuong a confronto il modello binomiale negativo zero gonfiato con un modello di regressione binomiale negativa ordinaria. Un significativo z-test indica che il modello zero gonfiato è preferito. Guardando attraverso i risultati dei parametri di regressione che vediamo la seguente: Il bambino predittori e camper nella parte del modello di regressione binomiale negativa numero di pesci catturati predire (contano) sono entrambi predittori significativi. La persona predittore nella parte del modello logit predire zeri eccessivi è statisticamente significativa. Per questi dati, la variazione prevista del log (contare) per un aumento di un unità bambino è -1,515255 tenendo altre variabili costanti. Un camper (camper 1) ha un registro previsto (conteggio) di 0,879,051 mila superiore a quella di un non-camper (camper 0) tiene altre variabili costanti. Le probabilità di log di essere uno zero eccessivo diminuirebbero da 1,67 per ogni persona in più nel gruppo. In altre parole, più la gente nel gruppo meno è probabile che lo zero sarebbe a causa della pesca non è andato. Dirla chiaramente, il più grande è il gruppo la persona era in, più è probabile che la persona che è andato pesca. Possiamo vedere nella parte inferiore del nostro modello che il test rapporto di verosimiglianza che l'alfa 0 è significativamente diverso da zero. Ciò suggerisce che i nostri dati sono sovradispersa e che un modello binomiale negativo zero gonfiato è più appropriato di un modello di Poisson zero gonfiato. Il test Vuong suggerisce che il modello binomiale negativo zero gonfiato è un miglioramento significativo nel corso di un modello binomiale negativo standard. Ora, solo per essere sul sicuro, consente di eseguire di nuovo il comando zinb con l'opzione robusta al fine di ottenere errori standard robusti per i coefficienti di regressione di Poisson. Non possiamo includere l'opzione Vuong quando si utilizza errori standard robusti. Utilizzando l'opzione robusto ha portato a qualche cambiamento nel modello di chi-quadrato, che ora è una Wald chi-quadrato. Questa statistica è basata su log pseudo-verosimiglianze invece di log-verosimiglianze. Il modello è ancora statisticamente significativo. Gli errori standard robusti tentare di regolare per l'eterogeneità nel modello. Ora, proviamo a capire il modello migliore, utilizzando alcuni dei comandi posta di stima. Prima di tutto, si usa il comando di prevedere con l'opzione pr per ottenere la probabilità prevista di essere zeroquot eccessiva quotan a causa della pesca non è andato. Abbiamo poi guardiamo la distribuzione della probabilità prevista per il numero di persone nel gruppo. Possiamo vedere che maggiore è il gruppo, minore è la probabilità, cioè il più probabile che la persona è andato pesca. Infine, useremo il comando margini per ottenere il numero previsto di pesce pescato, mettendo a confronto i campeggiatori con i non-camper dato diverso numero di bambini e maringsplot di visualizzare le informazioni prodotte dal comando dei margini. Si noti che per impostazione predefinita i margini fissati comandano la probabilità prevista atteso di essere uno zero eccessivo alla sua media. Per esempio, ecco un modo alternativo per produrre lo stesso numero previsto dato camper 0 1 e il bambino 0. Cose da considerare Qui ci sono alcuni problemi che si può prendere in considerazione nel corso della vostra analisi di ricerca. Domanda sul parametro eccessiva dispersione è, in generale, uno difficile. Un grande parametro eccessiva dispersione potrebbe essere dovuto ad una mancanza modello specificato o potrebbe essere dovuto ad un processo vero e proprio con l'eccesso di dispersione. L'aggiunta di un problema di eccesso di dispersione non migliora necessariamente un modello miss-specificato. Il modello zinb ha due parti, un modello di conteggio binomiale negativa e il modello logit per prevedere gli zeri in eccesso, così si potrebbe desiderare di rivedere queste pagine Data Analysis esempio, negativo binomiale Regressione e Regressione Logit. Poiché zinb ha sia un modello conteggio e un modello logit, ciascuno dei due modelli dovrebbero avere buoni predittori. I due modelli non hanno necessariamente bisogno di utilizzare gli stessi predittori. Problemi di perfetta previsione, separazione o parziale separazione possono verificarsi nella parte logistica del modello zero gonfiato. Count dati utilizzano spesso variabile di esposizione per indicare il numero di volte in cui l'evento sarebbe potuto accadere. È possibile incorporare l'esposizione nel modello utilizzando l'opzione di esposizione (). Non è consigliabile che lo zero-gonfiati modelli binomiali negative essere applicati a piccoli campioni. Ciò che costituisce un piccolo campione non sembra essere chiaramente definiti in letteratura. Pseudo-R-squared valori diversi da OLS R squareds, consultare FAQ: Quali sono pseudo-R squareds per una discussione su questo tema. Riferimenti Cameron, A. Colin e Trivedi, P. K. (2009) Microeconometria utilizzando Stata. College Station, TX: Stata Press. Lungo, J. Scott, amplificatore Freese, Jeremy (2006). I modelli di regressione per le variabili dipendenti categoriali Uso Stata (Second Edition). College Station, TX: Stata Press. Lungo, J. Scott (1997). I modelli di regressione per le variabili dipendenti categoriali e limitato. Thousand Oaks, CA: Sage Publications. Ultimo aggiornamento il 12 ottobre, il contenuto 2011Il di questo sito non deve essere interpretata come un'approvazione di un particolare sito web, il libro, o di un prodotto software dalla University of California.