Sağlam Genelleştirilmiş Doğrusal Model
Robust Generalized Linear Model · Ayrıca şöyle bilinir: robust GLM, GLM with robust estimation, robust quasi-likelihood model, M-estimator GLM
Sağlam Genelleştirilmiş Doğrusal Model (Robust Generalized Linear Model - GLM), M-tipi tahmin denklemleri kullanarak standart GLM ailesini (doğrusal, lojistik, Poisson ve diğerleri) uydurur; bu denklemler aykırı veya etkili gözlemleri daha az ağırlıklandırır. Sonuç, az sayıda veri noktasının varsayılan dağılımdan keskin bir şekilde saptığı durumlarda bile katsayı tahminlerinin ve standart hatalarının kararlı kalmasını 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
Aykırı gözlemlerin küçük bir kısmının olabileceğine, kontamine ölçümlerin veya veri giriş hatalarının bulunduğuna dair güçlü konu alanı nedeniniz olduğunda ve bunları basitçe silmeyi haklı çıkaramadığınızda sağlam bir GLM kullanın. Özellikle aykırı yanıtların yaygın olduğu biyoistatistik, epidemiyoloji ve sosyal bilimlerde değerlidir. Teorik olarak GLM bağlantı yapısının uygun olduğu ancak aykırı kontaminasyonun şüphelenildiği ikili, sayım ve sürekli sonuçlar için uygundur. Düzgün veri temizliğinin yerine geçmesi olarak kullanmayın: aykırı değerler gerçek olguları yansıtıyorsa, onlar açıkça modellenmeli, daha az ağırlıklandırılmamalıdır. Ayrıca, kontaminasyon kesri büyükse (yaklaşık %20'nin üzerinde) çünkü sınırlı etki özelliği bozulur veya örneklem çok küçükse ve ayarlama sabiti seçimi çıkarımı domine ederse kullanmaktan kaçının.
Güçlü yönler & sınırlılıklar
- Katsayı tahminlerini ve standart hatalarını, az sayıda aykırı değer veya kaldıraç noktasının orantısız etkisinden korur.
- GLM ailesinin tamamı — Gauss, binom, Poisson, Gamma ve daha fazlası — bağlantı yapısını değiştirmeye gerek kalmadan uygulanabilir.
- Sandviç kovaryans tahmincisi, hafif model yanlış belirtilmesi altında tutarlı kalır ve aşırı yayılımda bile güvenilir çıkarım sağlar.
- Ayarlama sabiti c, tam sağlamlıktan klasik MLE'ye kadar sürekli bir spektrum sağlar; bu da analistin verimlilik-sağlamlık ödünleşimini kalibre etmesine olanak tanır.
- Aykırı değerleri basitçe hariç tutmanın aksine, yöntem tüm gözlemleri tutar ve ağırlıklandırmayı şeffaf ve tekrarlanabilir hale getirir.
- Varsayılan dağılımın aslında geçerli olduğu ve aykırı değerlerin bulunmadığı durumlarda klasik GLM MLE'ye göre verimlilik önemli ölçüde düşük olabilir.
- Ayarlama sabiti c seçilmelidir ve sonuçlar bu seçime duyarlı olabilir; evrensel olarak kabul edilmiş varsayılan bir değer yoktur.
- Sınırlı etki özelliği, kontaminasyon kesri kabaca %10-20'yi aştığında bozulur; daha ciddi kontaminasyon senaryolarında yüksek kırılma noktasına sahip alternatifler (örneğin, GLM'ler için S-tahmincileri) gereklidir.
- Uygulama, klasik GLM'lere göre daha az standartlaştırılmıştır: paket kullanılabilirliği ve varsayılanlar yazılım ortamlarına göre farklılık gösterir.
- Ağırlıklandırmaların yorumlanması dikkatli iletişim gerektirir; istatistikçi olmayan kitleler, bazı gözlemlere neden farklı davranıldığını yanlış anlayabilir.
SSS
Sağlam bir GLM, klasik bir GLM üzerinde sağlam standart hatalar kullanmaktan nasıl farklıdır?
Klasik bir GLM üzerindeki sağlam (sandviç) standart hatalar varyans tahminini düzeltir ancak katsayı tahminlerini değişmeden bırakır ve hala aykırı değerlerin etkisindedir. Sağlam bir GLM, hem katsayı tahminlerinin hem de standart hatalarının aykırı değer etkisinden korunması için tahmin denklemlerini değiştirir.
Ayarlama sabiti c'yi nasıl seçerim?
Huber'in ψ'sinin Pearson kalıntılarına uygulanması için yaygın bir varsayılan değer c = 1.345'tir; bu da doğru bir Gauss modeli altında yaklaşık %95 asimptotik verimlilik sağlar. Uygulamada, modeli birkaç c değeriyle uydurun ve ana katsayıların kararlı olup olmadığını inceleyin; kararsızlık, araştırılmaya değer etkili gözlemleri işaret eder.
İkili sonuçlar için sağlam bir GLM kullanabilir miyim?
Evet. Cantoni ve Ronchetti (2001), ikili verilerle lojistik bağlantı dahil olmak üzere tam GLM ailesi için çerçeveyi özel olarak geliştirmiştir. Pearson kalıntısı ve kaldıraç ağırlıkları binom varyans fonksiyonu kullanılarak hesaplanır ve ψ fonksiyonu lojistik ölçekte aykırı değer etkisini sınırlar.
Hangi yazılım sağlam GLM'leri uygular?
R'de robustbase paketi Gauss, binom, Poisson ve Gamma ailelerini kapsayan glmrob() fonksiyonunu sağlar. robust paketi ve rqlm paketi ek seçenekler sunar. Stata'da, gmm tabanlı sağlam GLM tahmini mümkündür ancak daha az kullanışlıdır. Python kullanıcıları, sağlam kovaryans seçenekleriyle statsmodels'ı kullanabilir, ancak tam sınırlı etkiye sahip GLM daha sınırlıdır.
Neden aykırı değerleri basitçe kaldırmak yerine sağlam bir GLM'yi tercih etmeliyim?
Aykırı değerler hatalar olarak doğrulanamadığında ve gerçek ancak aşırı birimleri (örneğin, epidemiyolojide süper yayıcılar) temsil edebildiğinde, silme seçilim yanlılığına yol açar. Sağlam bir GLM tüm verileri tutar ve azaltılmış etkiyi açık hale getirir, oysa geçici silme haklı çıkarılması zordur ve tekrarlanması daha zordur.
Kaynaklar
- Heritier, S., Cantoni, E., Copt, S., & Victoria-Feser, M.-P. (2009). Robust Methods in Biostatistics. Wiley. ISBN: 978-0470027264
- Cantoni, E., & Ronchetti, E. (2001). Robust inference for generalized linear models. Journal of the American Statistical Association, 96(455), 1022–1030. DOI: 10.1198/016214501753209004 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Generalized Linear Model. ScholarGate. https://scholargate.app/tr/statistics/robust-generalized-linear-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Doğrusal Model (GLM)İstatistik↔ karşılaştır
- Sağlam Lojistik Regresyonİstatistik↔ karşılaştır
- Sağlam Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Sağlam Poisson Regresyonuİstatistik↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır