Bayes Poisson Regresyonu
Bayesian Poisson Regression · Ayrıca şöyle bilinir: Bayesian log-linear count model, Bayesian GLM Poisson, Poisson regression with priors, Bayesian count regression
Bayes Poisson regresyonu, regresyon katsayılarına önsel dağılımlar yerleştirerek bir Poisson olabilirlik ve log bağlantısı kullanarak negatif olmayan tamsayı sayım sonuçlarını modeller. Artçı çıkarım — önsel inançları veri olabilirlik ile birleştirerek — tek nokta tahminleri yerine katsayılar üzerinde tam olasılık dağılımları üretir, bu da tutarlı belirsizlik ölçümü ve alan bilgisinin dahil edilmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç negatif olmayan bir tamsayı sayım olduğunda (zaman periyodu başına olay, bölge başına vaka, denek başına oluşum) ve nokta tahminine artı asimptotik güven aralığına ek olarak tam artçı belirsizlik istediğinizde Bayes Poisson regresyonunu kullanın. Özellikle örnekler küçük veya seyrek olduğunda (frekansçı maksimum olabilirlik tahminlerinin kararsız olabileceği yerlerde), önceki çalışmalardan veya teoriden bilgilendirici önsel bilgi mevcut olduğunda veya WAIC veya LOO-CV gibi bilgi kriterleri aracılığıyla model karşılaştırması gerektiğinde değerlidir. Sayım verileri aşırı dağılmış olduğunda (varyans ortalamayı önemli ölçüde aştığında) bunu önleyin — veya Negatif Binom varyantını tercih edin —, çünkü Poisson eşit dağılım varsayımı artçı güveni şişirecek ve zayıf öngörücü kontrolleri üretecektir. Ayrıca, sonuç sürekli olduğunda veya çok büyük bir veri kümesi için MCMC'nin hesaplama maliyeti engelleyici olduğunda ve daha basit bir GLM yeterli olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Katsayılar üzerinde tam artçı dağılımlar üretir, parametre değerleri ve tahminler hakkında gerçek olasılıksal ifadeler sağlar.
- Önsel aracılığıyla tahminleri doğal olarak düzenler, küçük veya yüksek boyutlu veri ayarlarında aşırı uyumu azaltır.
- Harici bilgilerin (önceki çalışmalar, uzman görüşleri) bilgilendirici önsel aracılığıyla kolay entegrasyonu.
- Oran oranları (exp(beta)), beklenen sayı üzerindeki çarpımsal etkiler olarak doğrudan yorumlanabilir.
- WAIC ve bırak-bir-dışarı çapraz doğrulama (LOO-CV) kullanarak ilkeli model karşılaştırması.
- Artçı öngörücü kontrolleri, model uyumsuzluğunu teşhis etmek için şeffaf, görsel bir araç sağlar.
- Hesaplama açısından yoğundur: MCMC örneklemesi büyük veri kümeleri veya karmaşık hiyerarşik yapılar için yavaş olabilir.
- Dikkatli önsel belirtimi gerektirir; küçük örneklem boyutlarında kötü seçilmiş önseller olabilirlik hakim olabilir.
- Poisson eşit dağılım varsayımı (ortalama = varyans) gerçek sayım verilerinde sıklıkla ihlal edilir; aşırı dağılım güvenilmez artçı çıkarıma neden olur ve zayıf öngörücü kontrolleri üretir.
- Sonuçların ve yakınsama tanı testlerinin (R-hat, etkili örneklem boyutu) yorumlanması, standart bir GLM çıktısından daha fazla istatistiksel uzmanlık gerektirir.
- Üretici süreç Poisson'dan önemli ölçüde saptığında, olasılık ailesinin yanlış belirtilmesine duyarlıdır.
SSS
Regresyon katsayıları için hangi önseli kullanmalıyım?
Yaygın bir zayıf bilgilendirici seçim, standartlaştırılmış öngörüciler üzerinde Normal(0, 2.5)'dir (Gelman et al. ve rstanarm varsayılanları tarafından önerilir). Bu, katsayıları olabilirlik hakim olmadan makul aralıklarda tutar. Oran oranı yorumlanabilirliği için, alanın verdiği makul bir aralıkta exp(beta)'nın kaldığını kontrol edin.
Verilerimin aşırı dağılmış olup olmadığını nasıl anlarım?
Modeli uyduktan sonra bir artçı öngörücü kontrolü çalıştırın: tekrarlanan veri kümelerini artçıdan simüle edin ve simüle edilen sayıların varyans-ortalama oranını gözlemlenen verilerle karşılaştırın. Simüle edilen varyans gözlemlenen varyanstan sistematik olarak düşükse, Poisson varsayımı çok kısıtlayıcıdır ve Bayes Negatif Binom regresyonu daha iyi bir seçenektir.
Ne zaman bir ofset terimi eklemeliyim?
Maruz kalma veya risk altındaki nüfus gözlemler arasında farklı olduğunda bir ofset ekleyin — örneğin, bir bölge diğerinin 10 katı nüfusa sahipse, ham sayı nüfus büyüklüğüne göre ayarlanmadan karşılaştırılamaz. Ofset log(maruz kalma_i), katsayısı 1 olarak sabitlenmiş doğrusal öngörücüye eklenir.
Bayes Poisson regresyonu, frekansçı Poisson GLM ile nasıl karşılaştırılır?
Her ikisi de aynı olabilirlik ve log bağlantısını paylaşır. Bayesçi versiyon önseller ekler ve nokta tahminleri ve asimptotik güven aralıkları yerine tam artçı dağılımlar döndürür. Bayesçi inanılır aralıklar doğrudan bir olasılık yorumuna sahipken, frekansçı güven aralıkları sahip değildir. Büyük örneklemlerde ikisi yakından örtüşür; farklar küçük örneklemlerde veya bilgilendirici önsellerle en belirgindir.
Sıfır şişirilmiş sayımlar için bu modeli kullanabilir miyim?
Standart Bayes Poisson regresyonu, aşırı sıfırları ayrı olarak modellemez. Verilerinizde Poisson dağılımının öngördüğünden daha fazla sıfır varsa, bunun yerine yapısal bir sıfır üretme sürecini açıkça hesaba katan bir Bayes sıfır şişirilmiş Poisson veya engel modeli kullanın.
Kaynaklar
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- McCullagh, P., & Nelder, J. A. (1989). Generalized Linear Models (2nd ed.). Chapman and Hall. ISBN: 978-0412317606
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Poisson Regression. ScholarGate. https://scholargate.app/tr/statistics/bayesian-poisson-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayesçi Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Bayesçi Negatif Binom Regresyonuİstatistik↔ karşılaştır
- Negatif Binominal RegresyonEkonometri↔ karşılaştır
- Poisson ve Negatif Binom RegresyonuEkonometri↔ karşılaştır
- Sıfır-Şişirilmiş Modelİstatistik↔ karşılaştır