Sağlam Negatif Binom Regresyonu
Robust Negative Binomial Regression · Ayrıca şöyle bilinir: robust NB regression, negative binomial regression with robust standard errors, sandwich-corrected negative binomial regression, NB2 robust regression
Sağlam Negatif Binom Regresyonu modelleri, aşırı dağılmış sayım sonuçlarını negatif binom dağılımını kullanarak, varyans fonksiyonunun yanlış belirtilmesine karşı katsayı çıkarımını korurken modeller. Ortalama ve dağılım parametrelerinin maksimum olabilirlik kestirimini sandviç (Huber-White) standart hatalarıyla eşleştirir, bu da varsayılan varyans yapısı yalnızca yaklaşık olarak doğru olsa bile geçerli testler 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, aşırı dağılım gösteren (varyans ortalamadan önemli ölçüde fazla) negatif olmayan bir tamsayı sayım olduğunda ve varyans fonksiyonunun yalnızca yaklaşık olarak doğru olabileceğine dair şüphelenmek için nedenleriniz olduğunda — örneğin, artık kümelenme, hafif sıfır-enflasyon veya bilinmeyen veri üreten heterojenlik — Sağlam Negatif Binom Regresyonunu kullanın. Özellikle sayım sonuçlarının yaygın olduğu ve kesin dağılımsal varsayımların doğrulanmasının zor olduğu sağlık, epidemiyoloji ve sosyal bilimler uygulamalarında uygundur. Sıfır-enflasyonu doğru bir şekilde ele almak için bir ikame olarak kullanmayın (bunun yerine bir ZIP veya ZINB modeli kullanın) ve ortalama modelin kendisi kötü yanlış belirtilmişse ona güvenmeyin, çünkü sandviç düzeltmeleri yalnızca varyans yanlış belirtilmesini ele alır — yanlı katsayılar sağlam standart hatalarla kurtarılamaz.
Güçlü yönler & sınırlılıklar
- Aşırı varyansı açıkça dağılım parametresi α aracılığıyla modelleyerek aşırı dağılmış sayım verilerini barındırır.
- Sandviç standart hataları, varsayılan varyans fonksiyonunun orta düzeydeki ihlalleri altında geçerli kalır, anti-konservatif testler riskini azaltır.
- Nokta tahminleri (katsayılar) standart negatif binom MLE ile aynıdır, bu nedenle etki büyüklüğü yorumu değişmez.
- Büyük istatistiksel yazılımlarda (R sandwich/MASS, Stata vce(robust), Python statsmodels) yaygın olarak bulunur.
- Log-bağlantı parametrelendirmesinden elde edilen insidans-oranı oranlarının (IRR'ler) yorumlanabilirliğini korur.
- Sandviç standart hataları yalnızca asimptotik olarak tutarlıdır; küçük örneklemlerde (n < 100) kötü kalibre edilmiş olabilirler ve yanlılık düzeltilmiş sürümleri (HC3) tercih edilir.
- Yöntem varyans yanlış belirtilmesini düzeltir ancak yanlış belirtilmiş bir ortalama fonksiyonunu düzeltemez — log-lineer ortalama modeli yanlışsa, katsayılar yanlı olacaktır.
- β ile birlikte α'yı tahmin etmek parametre sayısını artırır ve öngörücü sayısına kıyasla yeterince büyük bir örneklem gerektirir.
- Yapısal sıfırları ayrı olarak modellemez; şiddetli sıfır-enflasyon hala sıfır-enflasyonlu negatif binom (ZINB) modeli gerektirir.
- Negatif binom varyans fonksiyonu aslında doğru olduğunda sağlam standart hatalar, modele dayalı olanlardan daha az verimli olabilir.
SSS
Sağlam Negatif Binom Regresyonu standart Negatif Binom Regresyonundan nasıl farklıdır?
Katsayı tahminleri aynıdır. Tek fark standart hatalardadır: sağlam sürüm, varsayılan varyans fonksiyonunun yanlış belirtildiği durumlarda geçerli kalan sandviç (Huber-White) standart hatalarını kullanırken, standart NB regresyonu yalnızca tam dağılımsal varsayımların geçerli olduğu durumlarda doğru olan modele dayalı standart hatalara dayanır.
Ne zaman Sağlam Poisson yerine Sağlam Negatif Binom Regresyonunu tercih etmeliyim?
Sağlam Poisson regresyonu (sandviç SE'lerle) göreceli risk tahmini için popüler bir seçimdir çünkü sandviç SE'li log-Poisson modeli aşırı dağılım altında bile ortalama için tutarlıdır. Aşırı dağılımın şiddetli olduğu durumlarda Sağlam NB modelini tercih edin — daha verimli olacaktır ve büyük örneklemlerde daha iyi kalibre edilmiş güven aralıkları sağlayacaktır, sağlam SE'ler ise artık varyans yanlış belirtilmesine karşı koruma sağlar.
Sandviç standart hatalarının güvenilir olması için ne kadar örneklem büyüklüğü gereklidir?
Kaba bir kılavuz olarak, sıradan sandviç tahmincisi için genellikle n ≥ 100 gözlem kullanılır. Küme-sağlam standart hatalar için tipik olarak en az 30-50 küme gerekir. Küçük örneklemlerde, yanlılık düzeltilmiş sandviç tahmin edicileri (bağımsız veriler için HC3, kümelenmiş veriler için CR2) tercih edilir.
Dağılım parametresi α'nın doğrudan bir yorumu var mı?
Evet. NB2 parametrelendirmesinde, Var(Y) = μ + α·μ². Sıfıra yakın bir α, verilerin neredeyse Poisson olduğunu gösterir; daha büyük α daha fazla aşırı dağılımı gösterir. NB'yi Poisson ile karşılaştıran bir olabilirlik-oranı testi (H₀: α = 0), negatif binom varyans yapısının gerekip gerekmediğini resmi olarak kontrol eder.
Sağlam Negatif Binom Regresyonunu panel veya kümelenmiş verilerle kullanabilir miyim?
Evet, ancak sıradan (HC) sandviç tahmin edicisi yerine küme-sağlam standart hataları kullanmalısınız. Sandviç tahmincisinin küme içi korelasyonu hesaba katması için kümeleme değişkenini (örneğin, konu veya grup kimliği) belirtin. Kümeleme çok güçlüyse veya küme sayısı azsa, bunun yerine karma etkili bir negatif binom modeli düşünün.
Kaynaklar
- Hilbe, J. M. (2011). Negative Binomial Regression (2nd ed.). Cambridge University Press. ISBN: 978-0521198158
- Zeileis, A., Kleiber, C., & Jackman, S. (2008). Regression Models for Count Data in R. Journal of Statistical Software, 27(8), 1–25. DOI: 10.18637/jss.v027.i08 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Negative Binomial Regression. ScholarGate. https://scholargate.app/tr/statistics/robust-negative-binomial-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genelleştirilmiş Doğrusal Model (GLM)İstatistik↔ karşılaştır
- Negatif Binominal RegresyonEkonometri↔ karşılaştır
- Poisson ve Negatif Binom RegresyonuEkonometri↔ karşılaştır
- Sağlam Poisson Regresyonuİstatistik↔ karşılaştır
- Sağlam Regresyonİstatistik↔ karşılaştır
- Sıfır-Şişirilmiş Modelİstatistik↔ karşılaştır