Konum, Ölçek ve Şekil için Genelleştirilmiş Katkı Modelleri (GAMLSS)
Generalized Additive Models for Location, Scale and Shape (GAMLSS) · Ayrıca şöyle bilinir: Distributional Regression, Flexible Regression and Smoothing, GAMLSS Framework, Konum, Ölçek ve Şekil için Genelleştirilmiş Toplamlı Modeller
GAMLSS, Robert Rigby ve Mikis Stasinopoulos tarafından 2005 yılında tanıtılan geniş bir yarı-parametrik regresyon modelleri sınıfıdır. Yalnızca bir yanıtın ortalamasını modelleyen klasik regresyonun aksine, GAMLSS seçilen parametrik bir dağılımın her parametresinin — konum (örn. ortalama), ölçek (örn. varyans) ve şekil (örn. çarpıklık, basıklık) — kovaryatların katkısal bir fonksiyonu olarak modellenmesine olanak tanır. Bu, heteroskedastisiteyi, çarpıklığı ve kalın kuyrukları tek bir birleşik çerçeve içinde eşzamanlı olarak yakalamayı mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
GAMLSS, yanıt dağılımının normal dışı, heteroskedastik, çarpık veya kalın kuyruklu olduğu ve ilginin yalnızca koşullu ortalamayı modellemekten daha fazlasında yattığı durumlarda uygundur. Gelir, sağlık göstergeleri, büyüme ölçümleri ve çevresel konsantrasyonlar gibi sürekli sonuçların yanı sıra aşırı sıfırlı veya aşırı dağılımlı sayım veya oran verileri için de uygundur. Temel varsayımlar, parametrik bir ailenin yanıtı yeterince tanımlaması ve gözlemlerin bağımsız olmasıdır. n'nin çok küçük olduğu, doğru dağılım ailesinin bilinmediği veya basit bir ortalama modelinin yorumlanabilirliğinin yeterli olduğu durumlarda daha az uygundur. Alternatifler arasında kantil regresyon (dağılım-bağımsız) ve standart GAM'ler bulunur.
Güçlü yönler & sınırlılıklar
- Tüm dağılım parametrelerini (konum, ölçek, şekil) kovaryatların fonksiyonları olarak modeller, tam dağılımsal regresyonu mümkün kılar
- Sıfır-şişirilmiş, kesilmiş ve karışım dağılımları dahil 100'den fazla parametrik aileyi destekler
- Esnek kovaryat etkileri için parametrik olmayan düzgün terimleri (spline'lar, rastgele etkiler) içerir
- Özel durumlar olarak GLM'lere ve GAM'lere indirgenir, geniş bir model sınıfı için birleşik bir çerçeve sağlar
- Doğru dağılım ailesini seçmek alan bilgisi ve tanısal çaba gerektirir; yanlış belirtim geçersiz çıkarımlara yol açar
- Büyük veri kümeleri, çok sayıda parametre veya karmaşık düzgün terimlerle hesaplama maliyeti ve yakınsama sorunları ortaya çıkabilir
- Yumuşatma parametreleri sabit olarak ele alındığında, cezalandırılmış olabilirlik tabanlı çıkarım belirsizliği hafife alabilir
- Şekil parametre modellerinin yorumlanması, yalnızca ortalama regresyonundan daha az sezgiseldir ve istatistiksel uzmanlık gerektirir
SSS
GAMLSS standart bir GAM'den nasıl farklıdır?
Genelleştirilmiş katkı modeli (GAM), kovaryatların düzgün fonksiyonlarını ortalamaya (veya onun bir dönüşümüne) uydururken, dağılımı sabit tutar veya yalnızca varsayılan üstel aile aracılığıyla modeller. GAMLSS bunu, seçilen bir dağılımın her parametresinin — ölçek ve şekil parametreleri dahil — kendi katkısal tahmin edicisine sahip olmasına izin vererek genişletir, bu da onu normal dışı, heteroskedastik veya çarpık yanıtlar için çok daha esnek hale getirir.
Dağılım ailesi pratikte nasıl seçilir?
Analistler tipik olarak yanıt hakkındaki konu alanı bilgisiyle (örn. sayım, oran, pozitif sürekli) başlar ve ardından aday aileleri karşılaştırmak için solucan grafikleri, normalize edilmiş kantil artıkları için Q-Q grafikleri ve bilgi kriterleri (AIC, GAIC) gibi tanısal araçları kullanır. gamlss paketi, birçok dağılım arasında aile taramasını otomatikleştirmek için chooseDist() gibi fonksiyonlar sağlar.
GAMLSS rastgele etkileri veya boylamsal verileri işleyebilir mi?
Evet. Rastgele etkiler, rastgele etkiler kovaryans yapısına karşılık gelen bir birim ceza matrisi ile katkısal düzgün terimler olarak dahil edilerek GAMLSS'ye dahil edilebilir. Bu, GAMLSS'nin kümelenmiş veya tekrarlanan ölçüm verilerini modellemesine olanak tanır, ancak hiyerarşik ayarlarda tamamen prensipli çıkarım için özel karışık etkiler uzantıları ve rastgele etkiler dağılımının dikkatli bir şekilde belirtilmesi gereklidir.
Kaynaklar
- Rigby, R. A., & Stasinopoulos, D. M. (2005). Generalized additive models for location, scale and shape. Journal of the Royal Statistical Society: Series C, 54(3), 507–554. DOI: 10.1111/j.1467-9876.2005.00510.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Generalized Additive Models for Location, Scale and Shape (GAMLSS). ScholarGate. https://scholargate.app/tr/statistics/gamlss
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Toplanabilir Model (GAM)Makine öğrenmesi↔ karşılaştır
- Kuantil RegresyonuEkonometri↔ karşılaştır